一项新研究发布在Hugging Face上，探讨了多模态大语言模型（MLLMs）在涉及视频分析的社会科学研究中的有效性。该研究在三个经过人工标注的视频数据集上测试了六个开源MLLMs，发现输入表征（文本、音频、视频或组合）的选择显著影响测量和分析结果。值得注意的是，没有一种表征始终表现最佳，并且组合输入很少能提高性能，这表明输入表征必须针对特定的构建和估计任务进行验证。 AI
影响 这项研究强调了在使用MLLMs进行社会科学视频分析时，仔细验证输入数据的关键需求，这影响了研究人员部署和解释这些工具的方式。
排序理由 该集群包含一篇详细介绍MLLMs研究结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
