多模态模型视频OCR能力：Gemini仅73.7%

多模态大模型（MLLM）在静态图像上已经展现出卓越的 OCR 能力，能准确识别和理解图像中的文字内容。

然而，当应用场景从静态图像拓展至动态视频时，即便是当前最先进的模型也面临着严峻的挑战。

MME-VideoOCR 致力于系统评估并推动MLLM在视频OCR中的感知、理解和推理能力。

主要贡献如下：

构建精细的任务体系：

精心构建了10大任务类别，进一步细分为25 个独立任务。

评测维度超越基础识别，深入考察时序理解、信息整合及复杂推理等高阶能力。

高质量、大规模数据集：

包含了1,464 个精选视频片段，覆盖不同的分辨率、时长与场景。

构建了2,000 条高质量、经人工标注的问答对，确保评测的精确性。

揭示当前 MLLM 的能力边界与局限：

对包括闭源与领先开源模型在内的18个主流MLLM进行了深入评测。

系统化分析了各模型在不同视频OCR任务中的表现，明确了其优势与亟待改进的短板。

即便是Gemini-2.5 Pro，其整体准确率也仅为73.7%，显示出当前MLLM在视频OCR领域的巨大挑战。

研究背景

视频作为一种信息密度更高、场景更复杂的模态，其 OCR 任务的难度远超静态图像：

1 运动模糊、光影变化、视角切换以及复杂的时序关联等视频的动态因素，都对 MLLM 的视频文字识别构成了显著的障碍。

2 视频中的文字信息形式复杂多样，既可能出现在画面主体、背景场景，也可能以屏幕注释、水印或弹幕的方式存在。这要求模型能够建立稳定的时空视觉-文本关联，以实现对分布在不同位置与时间段文字信息的准确识别、整合与理解。

3 MLLM 不仅需要对视频中文字的进行精确识别，更需在视觉、时序上下文中完成语义解析与推理判断，以实现对视频整体内容的深层理解。

目前，MLLM 在视频 OCR 领域的真实性能如何？其核心局限性体现在哪些方面？我们应如何系统地评估并推动其发展？这些关键问题亟待一个明确的答案。

MME-VideoOCR 评测框架详解

MME-VideoOCR的设计核心在于其全面性与深度，旨在评估模型从“看见”到“理解”视频文字信息的全方位能力。

数据构建

MME-VideoOCR 的数据集源于部分高质量数据集和人工采集与构造，经过精心筛选与处理，确保其：

多样性：

涵盖生活记录、影视娱乐、教育科普、体育赛事、游戏直播等多元化场景。

挑战性：

融入运动模糊、低分辨率、复杂背景、艺术字体、文字遮挡、多语言混合等真实世界的复杂因素。

时序性：

特别设计了需要跨帧理解、追踪文字动态、整合时序信息的复杂任务，考验模型的动态处理能力。

考虑到短视频、弹幕视频及AIGC视频的逐渐普及，MME-VideoOCR额外引入了这些特殊类型的视频，增加了数据的全面性。

共收集1,464 个视频和2000条样本。

任务设计

10大任务类别与25 个子任务紧密围绕视频OCR的核心挑战，重点评估模型在以下方面的能力：

基础识别：

在各种视频条件下准确识别文字及其属性。

时空定位：

识别文字在视频中的时间、空间位置。

时序追踪：

理解文字内容随时间的演变。

特殊文本解析：

对表格、图表、文档、公式、手写体等特殊文本进行有效解析。

信息整合：

结合视频上下文与文字进行综合理解。

场景理解：

在特定视频情境下解读文字的深层含义。

复杂推理：

基于视频中的文字信息进行逻辑判断与问答。

模型鲁棒性：

对于 AIGC、对抗样本和超长视频的有效理解。

评估策略

针对不同任务的特点和标准答案可能存在的灵活性，设计了字符串匹配、多选题以及 GPT 辅助评分三种评测方式。

实验发现总结

通过对18个主流MLLM的深度评测，MME-VideoOCR 揭示了以下关键发现：

整体性能：提升空间巨大

顶尖模型面临挑战：

Gemini-2.5 Pro虽然表现最佳，但73.7%的准确率表明，即便是SOTA模型在应对复杂视频 OCR 任务时也远未达到理想状态。

开源模型差距显著：

当前多数开源MLLM在视频OCR任务上的表现与顶尖闭源模型相比，存在较大差距，大多数开源模型准确率甚至不足60%。

能力短板：时序与推理是关键瓶颈

静态易，动态难：

模型处理单帧或短时序的文字信息相对较好，但在需要整合长时序信息、理解文字动态变化时，性能显著下降。

时空推理能力薄弱：

要求结合文字内容及其时空信息进行推理的任务，是当前MLLM的普遍弱点。

语言先验依赖问题：模型在进行视频文字理解时，有时会过度依赖其语言模型的先验知识，而未能充分利用视觉信息进行判断。

优化关键：高分辨率与时序信息

实验指出，提供更高分辨率的视觉输入和更完整的时序帧安盖，对于提升MLLM在动态视频场景下的OCR性能至关重要。

同时需要注意到，更多的视觉输入可能也会导致模型难以关注到目标信息，造成准确率的下滑，这也对模型的信息提取与处理能力提出了更高要求。