arXiv cs.AI· Yupeng Xie, Zhenyang Wang, Jiayi Zhu, Yinghao Tang, Zhouan Shen, Yiyu Chen, Yuyu Luo·· 9 天前AI 评分24
DataVista：首个数据视频理解基准，诊断多模态 LLM 的图表叙事能力
DataVista: Diagnosing Multimodal LLMs on Data Video Understanding
AI 导读
研究者发布 DataVista，首个面向数据视频理解的基准，包含 961 个真实数据视频和 6,775 道评测题，按数据感知、时序推理、叙事理解三级能力框架组织，覆盖 10 种题型和 5 个主题领域。
正文 · AI 翻译
摘要：数据视频是一种将数据可视化与视频叙事相结合的媒体形式，广泛应用于新闻报道和商业分析。与通用视频理解相比，数据视频理解更强调从动画图表中准确读取数据、跨图表与时间整合证据，以及理解叙事组织和视觉设计如何传达信息。然而，现有基准要么针对通用视频，要么针对静态图表，数据视频理解尚未得到系统评估。我们提出 DataVista，这是首个面向数据视频理解的基准，包含 961 个真实世界数据视频和 6,775 个评估问题，组织在三级递进能力框架（数据感知、时序推理、叙事理解）之下，涵盖五个主题领域的 10 种细粒度问题类型。对 19 个主流 MLLM 的系统评估表明，表现最好的模型 Gemini-3.1-Pro 达到 70.0% 的总体准确率，仍远低于人类专家水平，其中模型在因果推理和叙事结构上表现最差。增加帧数和添加字幕主要有利于数据感知和时序推理，对叙事理解的提升有限。对模型响应的进一步分析识别出图表阅读、证据判断和指令理解中的典型失败模式。该基准可在 此 https URL 获取。
| 评论： | 46 页，22 幅图，14 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.11993 [cs.CV] |
| （或 arXiv:2610.11993v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11993 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yupeng Xie [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 14:02:35 UTC（15,579 KB）
来源：arXiv cs.AI · arxiv.org