본 논문은 비디오 거대 언어 모델(Video-LLMs)의 비디오 질문 응답(VideoQA) 성능을 종합적으로 분석하여 성공 및 실패 양상을 밝히고, 보다 인간적인 비디오 이해와 질문 응답을 위한 통찰력을 제공합니다. Video-LLMs는 다양한 비디오 내용에 대한 질문에 대해 타당한 응답을 생성하는 능력을 보여주지만, 시간적 내용 순서 추론 및 QA 관련 시간적 순간 지정과 같은 비디오 시간성 처리에는 어려움을 겪는다는 것을 보여줍니다. 또한, 적대적 비디오 섭동에는 무반응이지만 후보 답변 및 질문의 간단한 변형에는 민감하게 반응하는 비직관적인 행동을 보이며, 일반화 성능이 항상 우수한 것은 아닙니다. 따라서 표준 조건에서는 Video-LLMs의 QA 능력이 뛰어나지만, 강건성과 해석 가능성에 심각한 결함이 있음을 시사하며, Video-LLM 개발에 있어 근거(rationales)의 필요성을 강조합니다.
시사점, 한계점
•
시사점: Video-LLMs의 VideoQA 능력과 한계를 명확히 밝힘으로써, 향후 Video-LLM 개발 방향을 제시합니다. 특히, 시간성 처리 및 모델의 강건성과 해석 가능성 향상에 대한 필요성을 강조합니다.
•
한계점: Video-LLMs가 시간적 정보 처리에 어려움을 겪고, 적대적 공격이나 질문/답변의 미세한 변화에 대한 취약성을 보입니다. 또한, 일반화 성능이 항상 보장되지 않음을 보여줍니다. 모델의 해석 가능성이 부족하여, 결정 과정의 투명성이 낮습니다.