arXiv cs.AI· Xianglong Wang, Neil Rodrigues, Pei Guo, Yiru Fang, Kevin Beussman, Shuyang Wang, Jingzhi Wang, Liangju Li, Shunyao Xu, Zhongwei Cheng, Wei Li, Lin Chen·· 11 小时前AI 评分38
OpenHome：面向智能家居摄像头视频的视觉语言模型基准
OpenHome: From Perception to Insight in Smart-Home Camera Videos
AI 导读
研究团队推出 OpenHome，一个仅视觉、四选一选择题形式的智能家居视频理解基准，包含 1,118 段真实视频片段上的 2,254 道问题，将 10 项任务划分为感知、推理、洞察三个能力层级。
正文 · AI 翻译
作者：Xianglong Wang、Neil Rodrigues、Pei Guo、Yiru Fang、Kevin Beussman、Shuyang Wang、Jingzhi Wang、Liangju Li、Shunyao Xu、Zhongwei Cheng、Wei Li、Lin Chen
摘要：视觉语言模型（VLM）正越来越多地被应用于消费级智能家居摄像头系统，用于解读录制的视频并提供洞察。然而，智能家居摄像头拍摄的视频片段不同于主导现有 VLM 基准的精选网络视频。智能家居视频片段通常不包含字幕或旁白，并且拍摄视角各异、光照条件多样、场景丰富。然而，现有 VLM 基准并未充分评估模型在该领域稀疏视觉信号和有限上下文下的能力。为填补这一空白，我们推出 OpenHome，一个仅基于视觉、四选一的多项选择基准，用于评估智能家居视频理解。它包含 1,118 个真实世界视频片段上的 2,254 个问题，并将 10 项任务组织为三个能力层级。感知评估可见内容，推理评估因果、空间和时间关系，洞察评估主体意图、支撑证据以及房主的恰当回应。基于该数据集，我们描述了任务设计、数据流程和评估协议，并报告了 32 个闭源和开放权重 VLM 的结果。最佳模型 Gemini 4 Argon 达到 81.2% 的总体准确率。前沿闭源模型在每个层级上都优于开放权重模型。最佳闭源模型在感知上领先最佳开放权重模型 16.3%，在推理上领先 22.4%，在洞察上领先 37.4%。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.31986 [cs.CV] |
| （或 arXiv:2610.31986v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31986 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wei Li [查看邮箱]
[v1]
2026年10月22日 星期四 23:04:49 UTC（2,332 KB）
来源：arXiv cs.AI · arxiv.org