研究人员推出了一种名为证据支持视频问答（E-VQA）的新任务，旨在提高视频大语言模型（Video LLM）的透明度。目前的模型通常在没有明确视觉依据的情况下提供答案，现有的可解释性方法也有限。E-VQA要求模型同时输出语义答案和精确的时空证据，例如时间段和对象掩码。为了支持这一点，创建了一个名为ST-Evidence的新基准，以及一个名为ST-Evidence-Instruct的大规模数据集，用于训练模型进行细粒度的视觉基础定位。 AI
影响 这项研究通过要求可验证的视觉证据来回答问题，有望带来更值得信赖和可解释的视频AI系统。
排序理由 该集群描述了一篇介绍视频问答模型新颖任务和基准的研究论文。
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.11862v1 Announce Type: cross Abstract: Current Video Large Language Models (Video LLMs) excel in question answering (QA) but largely operate as black boxes, providing textual answers without verifiable visual grounding. Existing explainability efforts rely on textual r…
Current Video Large Language Models (Video LLMs) excel in question answering (QA) but largely operate as black boxes, providing textual answers without verifiable visual grounding. Existing explainability efforts rely on textual rationales or sparse bounding boxes, which struggle…
Current Video Large Language Models (Video LLMs) excel in question answering (QA) but largely operate as black boxes, providing textual answers without verifiable visual grounding. Existing explainability efforts rely on textual rationales or sparse bounding boxes, which struggle…