电影界图灵测试来了VLM电影理解新基准视觉语言模型（VLMs）虽能“看图”，但对

电影界图灵测试来了VLM电影理解新基准

视觉语言模型（VLMs）虽能“看图”，但对电影镜头还远远不够“懂”。现在，一个专为“电影感”打造的新基准来了。

由上海AI实验室联合NTU、同济和港中文推出的ShotBench项目，系统性地为AI模型测电影镜头语言能力打分，并配套推出模型ShotVL和训练集ShotQA，填补了该领域的评测、训练空白。

ShotBench是个专门考电影摄影语言的多维基准，收录来自200多部奥斯卡级别电影的3.5k高质量问答样本，涵盖8个维度：景别、构图、角度、焦段、照明类型与条件、构图方式和相机运动。每个问答都像是AI的“镜头语言理解测试”。

ShotQA是一个包含约7万个电影问答对的大规模多模态数据集。借助ShotQA，团队通过监督微调（SFT）和群体相对策略优化（GRPO）开发了ShotVL。ShotVL在ShotBench上显著优于所有现有的开源和专有模型，确立了新的顶尖性能。

团队在ShotBench上对24个领先的VLMs进行的评测揭示了现有模型的重大局限性：即使是表现最好的模型，平均准确率也低于60%，尤其是在处理细粒度视觉线索和复杂空间推理方面表现不佳。

与原始Qwen2.5-VL-3B相比，ShotVL-3B在所有ShotBench维度上均实现了持续且显著的提升（增益达19.0%），确立了新的顶尖性能，并明确超越了最佳开源模型（Qwen2.5-VL-72B-Instruct）和专有模型（GPT-4o）。

团队开源了其模型、数据和代码，以促进AI驱动的电影理解和生成这一关键领域快速发展。

一起来看详细内容：