EgoThink是清华大学提出的一个以第一人称为视角的视觉问答基准数据集。该数据集由700张图像组成，覆盖6个核心能力，并细分为12个维度。EgoThink来源于Ego4D第一人称视频数据集的采样图片，为保证数据多样性，每条视频最多只采样出两张图片。数据集图片同样经过了严格的筛选，只留下了拥有较好质量和能明显体现第一人称视角思考的图片。数据集采用人工标注，每个维度至少包含50条详细标注的问答问题，并来源于多个第一视角的现实场景。EgoThink的应用领域广泛，特别是在评估和提升VLMs在第一人称视角任务中的性能，为未来的具身人工智能和机器人研究提供了宝贵的资源。
详情请参见五号雷达：https://www.5radar.com/result?key=EgoThink
_1769672084863.jpg)