소셜 미디어 영상은 종종 눈에 보이는 행동, 캡션 또는 음성을 넘어선 의미를 전달합니다. 평범한 클립도 멀티모달 (multimodal) 단서와 문화적 맥락의 상호작용을 통해 유머러스하거나, 반어적이거나, 풍자적으로 변할 수 있으며, 이는 이러한 콘텐츠를 비디오-언어 모델 (video-language models)에게 어려운 테스트 케이스로 만듭니다. 본 논문에서는 모델이 겉보기에는 무의미해 보이지만 의도적인 화용론적 (pragmatic) 의미를 전달하는 소셜 미디어 영상의 암시적, 비선형적, 수사학적으로 층위가 있는 의미를 추론할 수 있는지 평가하기 위한 벤치마크인 \textit{DrivelHub+}를 소개합니다. DrivelHub+는 소셜 미디어에서 수집된 1,000개의 영상으로 구성되며, 각 영상에는 사람이 작성한 암시적 서사 설명이 주석으로 달려 있습니다. 인식이나 묘사에 초점을 맞춘 기존의 비디오 이해 작업과 달리, 우리는 맥락적 멀티모달 추론 (contextual multimodal reasoning)을 목표로 하는 벤치마크를 제시합니다. 우리는 두 가지 관점에서 현재의 비디오-언어 모델을 평가합니다: 첫째는 설명 (explanation)으로, 모델이 영상의 화용론적 이해를 자연어로 설명해야 합니다. 둘째는 표현 (representation)으로, 비디오-텍스트 (video-to-text) 및 텍스트-비디오 (text-to-video) 검색 모두에서 모델의 표현이 영상을 해당 암시적 서사와 일치시키는지 테스트하기 위해 추론-을-검색-으로 (reasoning-as-retrieval) 방식을 적용합니다. 우리의 벤치마크는 멀티모달 지각 (multimodal perception)과 화용론적 이해 (pragmatic comprehension) 사이의 격차를 측정하기 위한 진단적 설정을 제공하며, 현재의 모델이 보여지는 것을 묘사하는 것을 넘어 의미하는 바를 추론할 수 있는지 질문합니다.