研究人员发现，当前视觉语言模型（VLMs）在理解自然语言描述的相机运动方面存在显著差距。他们发现模型经常混淆平移与旋转，以及物体运动与相机运动。为解决此问题，研究人员开发了一项新的研究任务、基准和训练数据集。一项经过微调的 VLM-8B 模型在该任务上比 Gemini 3.1 Pro 提高了 10-11%，但与人类能力相比仍存在相当大的性能差距。 AI
影响 突出了 VLMs 的一个特定局限性，可能指导未来研究朝着更细致的视频理解能力发展。
排序理由 该集群描述了一篇介绍新研究任务、基准和模型评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
