研究人员推出了一种名为VideoDetective的新型框架，旨在增强多模态大语言模型（MLLMs）对长视频的理解能力。该方法通过整合基于查询的相关性和视频内在的结构关系，解决了上下文窗口有限的挑战。VideoDetective构建了一个视觉-时间亲和图，并采用假设-验证-精炼循环来识别关键视频片段，以实现准确的问题回答。实验表明，在VideoMME-long基准测试上，准确率显著提高了7.5%。 AI
影响 改进了MLLM对长视频的分析能力，可能为视频搜索和摘要等更复杂的应用带来可能。
排序理由 这是一篇描述视频理解新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
