MAVEN: A Multi-stage Agentic Annotation Pipeline for Video Reasoning Tasks
μμ±μ
- Haebom
μΉ΄ν
κ³ λ¦¬
Empty
μ μ
Han Zhang, Wanting Jiang, Tomasz Kornuta, Tian Zheng, Vidya Murali
π‘ κ°μ
λ³Έ λ
Όλ¬Έμ λΉλμ€ μ¬κ±΄ μΆλ‘ μμ
μ μν κ³ νμ§ κ΅¬μ‘°νλ μ£Όμ μμ±μ μλννλ λ€λ¨κ³ μμ΄μ νΈν μ£Όμ νμ΄νλΌμΈμΈ MAVENμ μ μν©λλ€. MAVENμ μμΈν μ곡κ°μ μ΄λ²€νΈ μ€λͺ
μ μμ±νκ³ , μ΄λ₯Ό λ°νμΌλ‘ μ°μμ μ¬κ³ (Chain-of-Thought) μΆλ‘ μ ν¬ν¨ν λ€μ€ μμ
νλ ¨ λ°μ΄ν°λ₯Ό ꡬμΆν©λλ€. νΉν, MAVENμ μλ‘μ΄ λΉλμ€ λ°μ΄ν°μ
μ λ§κ² μλμΌλ‘ ν둬ννΈλ₯Ό μ¬μ€κ³νλ λλ©μΈ μ μ λ₯λ ₯μ κ°μΆκ³ μμΌλ©°, κ³μΈ΅μ μ€λ₯ μμ 루νλ₯Ό ν΅ν΄ μ£Όμ νμ§μ μ§μμ μΌλ‘ κ°μ ν©λλ€.
π μμ¬μ λ° νκ³
β’
μλνλ κ³ νμ§ λΉλμ€ μ£Όμ: MAVENμ μλ λ μ΄λΈλ§μ νκ³λ₯Ό 극볡νκ³ λ³΅μ‘ν λΉλμ€ μ¬κ±΄ μΆλ‘ λͺ¨λΈ νλ ¨μ νμν λ°©λν μμ ꡬ쑰νλ λ°μ΄ν°λ₯Ό ν¨μ¨μ μΌλ‘ μμ±ν μ μμ΅λλ€.
β’
ν¨κ³Όμ μΈ λλ©μΈ μ μ: μλ‘μ΄ λΉλμ€ λλ©μΈμ λν ν둬ννΈ μμ§λμ΄λ§ λΆλ΄ μμ΄ νμ΄νλΌμΈμ μ μνκ² μ μμμΌ λ€μν λΉλμ€ λΆμ μμ
μ νμ© κ°λ₯μ±μ λμ
λλ€.
β’
μ±λ₯ ν₯μ μ
μ¦: MAVENμΌλ‘ μμ±λ λ°μ΄ν°λ‘ νμΈνλλ λͺ¨λΈμ΄ κΈ°μ‘΄ μ΅κ³ μ±λ₯ λͺ¨λΈμ λ₯κ°νκ±°λ κ·Όμ νλ κ²°κ³Όλ₯Ό 보μ¬, μ μλ νμ΄νλΌμΈμ ν¨κ³Όλ₯Ό μ
μ¦νμ΅λλ€.
β’
νκ³μ : MAVENμ κ³μΈ΅μ μ€λ₯ μμ λ©μ»€λμ¦μ μ€λ₯ λΆλ₯ λ° κ·Όλ³Έ μμΈ μΆμ μ μμ‘΄νλλ°, 볡μ‘νκ±°λ λ―Έλ¬ν μ€λ₯μ κ²½μ° μλ²½ν λΆλ₯ λ° μμ μ 보μ₯νκΈ° μ΄λ €μΈ μ μμ΅λλ€. λν, λ€μν μ νμ λΉλμ€ μ½ν
μΈ λ° λ³΅μ‘μ±μ λν μΌλ°ν μ±λ₯μ λμ± νκ°ν νμκ° μμ΅λλ€.
