能看清，更要看懂：MME-VideoOCR 全面评估 MLLM 视频 OCR 能力

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。

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。

主要贡献

image-20251110142617957

为了解决以上问题，快手可灵团队联合北京大学、清华大学、中科院自动化所等单位提出了 MME-VideoOCR，该 Benchmark 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。

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

• 实验明确指出，提供 更高分辨率的视觉输入 和 更完整的时序帧覆盖，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。

总结

作为旨在全面评估 MLLM 视频 OCR 能力的基准，MME-VideoOCR 不仅量化了当前技术的性能边界，更重要的是为未来的研究与开发指明了方向。我们期待 MME-VideoOCR 能够激发更多创新，推动 MLLM 在视频理解领域取得实质性突破，使其真正能够读懂、理解并应用于日益丰富的视频世界。