Da Sie mich gebeten haben, die Übersetzung gemäß den oben genannten Standards für technische Texte durchzuführen, aber die Antwort auf Deutsch zu verfassen, habe ich den Text im Stil einer wissenschaftlichen Publikation ins Deutsche übertragen.Hier ist die professionelle Übersetzung des Textes:Zusammenfassung: Video-MME-v2 – Ein umfassender Benchmark zur Evaluierung der Robustheit und Treue beim VideoverständnisMit dem rasanten Fortschritt im Bereich des Videoverständnisses stoßen bestehende Benchmarks zunehmend an ihre Grenzen. Dies legt eine kritische Diskrepanz zwischen überhöhten Leaderboard-Scores und den tatsächlichen Fähigkeiten der Modelle in realen Anwendungsszenarien offen. Um diese wachsende Lücke zu schließen, führen wir Video-MME-v2 ein, einen umfassenden Benchmark, der darauf ausgelegt ist, die Robustheit und die „Faithfulness“ (Treue gegenüber den visuellen Daten) des Videoverständnisses rigoros zu evaluieren.Zur systematischen Bewertung der Modellfähigkeiten haben wir eine progressive, dreistufige Hierarchie entwickelt, welche die Komplexität des Video-Comprehension schrittweise steigert: von der Aggregation visueller Informationen an mehreren Punkten über die Modellierung temporaler Dynamiken bis hin zu komplexem multimodalem Reasoning. Im Gegensatz zur herkömmlichen Genauigkeit pro Frage (per-question accuracy) schlagen wir zudem eine gruppenbasierte, nicht-lineare Evaluationsstrategie vor. Diese erzwingt sowohl die Konsistenz über verwandte Queries hinweg als auch die Kohärenz in mehrstufigen Reasoning-Prozessen. Dabei werden fragmentierte oder auf bloßem Raten basierende korrekte Antworten bestraft; eine Bewertung erfolgt nur dann positiv, wenn die Antworten durch valides Reasoning gestützt werden.Um die Datenqualität zu gewährleisten, wurde Video-MME-v2 durch eine streng kontrollierte menschliche Annotations-Pipeline erstellt, an der 12 Annotatoren und 50 unabhängige Reviewer beteiligt waren. Gestützt auf 3.300 Arbeitsstunden und bis zu fünf Runden der Qualitätssicherung strebt Video-MME-v2 danach, einer der autoritärsten Video-Benchmarks zu werden.Umfangreiche Experimente zeigen eine erhebliche Lücke zwischen dem derzeit besten Modell, Gemini-3-Pro, und menschlichen Experten auf. Zudem decken sie einen klaren hierarchischen Engpass (bottleneck) auf: Fehler bei der Aggregation visueller Informationen und in der temporalen Modellierung propagieren nach oben und limitieren so das High-Level-Reasoning. Wir stellen ferner fest, dass thinking-basiertes Reasoning stark von textuellen Hinweisen abhängt; die Leistung verbessert sich durch Untertitel, kann jedoch in rein visuellen Settings teilweise sogar abnehmen. Durch das Aufzeigen dieser Limitationen etabliert Video-MME-v2 ein anspruchsvolles neues Testfeld für die Entwicklung der nächsten Generation von Video-MLLMs.