一篇新的 arXiv 论文探讨了真实人机交互（HRI）场景下的多模态关系估计，超越了受控的实验室环境。研究人员发现，零样本大型语言模型（LLMs）表现良好，其中 Gemini 2.5-Flash 显示出特别的优势。一种结合 Gemini 的文本能力与音频（HuBERT）和视觉（V-JEPA）模型的融合模型取得了最佳的整体性能，这表明在动态的真实场景中，准确的关系估计需要多种模态的结合。 AI
影响 这项研究通过提高机器人感知用户参与度的能力，可能促使机器人在真实互动中变得更加适应和响应。
排序理由 该集群包含一篇在 arXiv 上发表的学术论文，详细介绍了新的研究发现。[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 →
