연구진이 비디오 LLM의 설명 가능성을 높이는 새로운 작업인 E-VQA를 제안했어요. E-VQA는 질문에 대한 답변과 함께 시간적 구간, 객체 분할 마스크렛 등 시각적 증거를 제시하는 방식이에요. ST-Evidence 벤치마크를 공개하여 모델의 시각적 인식 능력 평가 가능성을 높였어요.
기존 모델은 QA 정확도와 실제 시각적 인식이 분리되어 있으며, 규모만 키워서는 해결되지 않는다는 점을 밝혀냈어요. ST-Evidence-Instruct 데이터셋을 구축하여 추론 능력과 정밀한 시각적 근거 연결을 가능하게 했어요.