現在のAI研究において、画像、テキスト、音声など複数の情報源を組み合わせて処理するマルチモーダル学習は急速に発展しています。しかし実運用では、センサー障害やネットワーク接続の不具合により、期待した全てのモダリティ（情報形式）が常に利用できるとは限りません。このような不完全な状況下でマルチモーダルシステムがどの程度の耐性を持っているかを評価することは、実際のアプリケーション開発において極めて重要です。 MuteBenchは、このモダリティ欠損状況に対するマルチモーダルモデルの耐性を包括的に評価するためのベンチマークです。特定のモダリティが利用不可能な状態でも、システムが学習した知識や他の利用可能なモダリティ間の相互関係を活用して、合理的なパフォーマンスを維持できるかを測定します。例えば、音声が失われた状態での動画理解や、画像が欠落した状態でのクロスモーダル推論といった実践的なシナリオを想定しています。 このベンチマークは、マルチモーダル融合技術の堅牢性を向上させるための重要な評価指標となります。開発者はMuteBenchを活用することで、異なるモダリティ間の依存関係を理解し、欠損に強いシステム設計の原則を確立できます。結果として、より信頼性の高い現実世界のマルチモーダルアプリケーションの開発につながることが期待されています。