一项发表在arXiv上的新研究表明,当前的视频大语言模型(Video-LLMs)在长视频中准确跟踪角色的能力方面存在困难。尽管在InfiniBench的全局外观任务等基准测试中表现强劲,但模型常常无法识别特定角色,尤其是在区分同性别的个体时。研究表明,这些模型依赖于性别等表面线索,而不是深层的角色识别,导致在开放式提问或角色名称更改时准确率显著下降。 AI
影响 揭示了当前视频大语言模型的局限性,表明需要改进超越表面线索的角色跟踪机制。
排序理由 该集群包含一篇详细介绍视频大语言模型能力研究结果的学术论文。
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →