Apple研究人员推出了LVSum，一个旨在评估多模态大语言模型（MLLMs）在保持时间准确性的同时如何总结长视频的新基准。该基准包含72个视频，平均时长16分钟，并附带包含时间参考的人工生成摘要。使用LVSum进行的实验显示，与视觉帧相比，文本记录对摘要质量更为关键，并且与人类编写的摘要相比，当前的MLLMs在时间对齐和跨模态连贯性方面仍存在挑战。 AI
影响 该基准有望推动MLLMs在视频理解和摘要任务方面的改进。
排序理由 该集群描述了一篇介绍用于评估AI模型基准的新研究论文。
在 Apple Machine Learning Research 阅读 →
- Alkesh B Patel
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- LVSum
- ScienceCast
- Apple Inc.
- European Conference on Computer Vision
- Ganesh Nagarajan
- Melis Ozyildirim
- multimodal large language models
- NarrativeTrack
- Ying-Chang Cheng
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
