본 논문은 시각 및 음향 정보가 풍부한 일상 생활 영상 684개를 기반으로 한 새로운 벤치마크인 Daily-Omni를 소개합니다. Daily-Omni는 6가지 주요 과제에 걸쳐 1197개의 객관식 질의응답(QA) 쌍을 포함하는 오디오-비주얼 질의응답 벤치마크입니다. 또한, 효율적인 데이터 생성 파이프라인(Daily-Omni QA Generation Pipeline)과 오픈소스 시각 언어 모델(VLM), 음향 언어 모델(ALM), 자동 음성 인식(ASR) 모델을 활용한 기준 모델(Daily-Omni-Agent)을 제시합니다. 연구 결과, 현재의 다중 모달 대규모 언어 모델(MLLM)은 오디오-비주얼 통합이 필요한 작업에서 어려움을 겪지만, VLM과 ALM을 간단한 시간 정렬 기법과 결합하면 성능이 크게 향상됨을 보여줍니다. 코드와 벤치마크는 깃허브에서 공개됩니다.
