LVSum은 장시간 동영상 요약의 시간적 정확성 유지 및 의미·시간적 기반 요약 생성 능력을 평가하는 벤치마크예요. 72개의 다양한 영상으로 구성되며, 평균 길이가 16분에 달하며, 각 영상은 최대 10개의 인간이 생성한 요약본을 포함해요.
LVSum은 시간 참조를 포함한 인간이 생성한 요약본으로 주석이 달려 있으며, MLLM의 성능을 평가하는 데 사용돼요. 13개 도메인에 걸쳐 있으며, 각 요약본은 시간적 정렬을 위해 미세 조정돼요.
연구팀은 LVSum을 통해 MLLM의 장시간 동영상 요약 성능을 평가하고, 시간적 일관성을 유지하는 데 필요한 과제를 파악할 수 있을 것으로 기대돼요.