Video-to-command generation on Modified Something-Something V2 (Novel Object Sets) benchmark leaderboard · SOTA2 Research

Video-to-command generation on Modified Something-Something V2 (Novel Object Sets)

0.577BLEU-1Ours (Full)

Evaluation Results

Method	Links
Ours (Full)2026.06		0.577	0.471	0.356	0.261	0.558	0.539	1.731
Intern3.5VL-4B2026.06		0.47	0.341	0.246	0.181	0.474	0.414	0.959
ChatGPT-4o-mini2026.06		0.444	0.338	0.24	0.181	0.485	0.398	0.912
NVILA-8B2026.06		0.387	0.245	0.161	0.11	0.4	0.365	0.669
Qwen2.5-VL-3B2026.06		0.361	0.218	0.155	0.109	0.383	0.308	0.633
Intern2.5VL-4B2026.06		0.347	0.199	0.135	0.092	0.374	0.298	0.551
DeepseekVL7B2026.06		0.329	0.235	0.166	0.127	0.343	0.306	0.558
Watch-and-Act2026.06		0.31	0.157	0.134	0.107	0.338	0.209	0.637
Video2Command2026.06		0.305	0.15	0.09	0.082	0.328	0.203	0.467
V2CNet2026.06		0.259	0.119	0.092	0.087	0.29	0.165	0.423
LLaVA-NeXT7B2026.06		0.159	0.084	0.06	0.047	0.202	0.118	0.19