English(EN) Grounding in the Dark: Text-Only Training for Zero-Shot Video Temporal Localization

AI仅凭文本学习视频定位，弥合模态鸿沟

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-05 05:00

研究人员开发了一种新颖的方法，仅使用文本描述来训练AI模型理解视频内容，从而在训练期间无需配对的视频-文本数据。该方法通过CLIP或LLM2CLIP等模型的文本嵌入来适配现有的LLM（如Qwen3_8B）。为了在推理时弥合文本和视频之间的模态鸿沟，他们引入了最近实体替换（NER）技术，该技术将视频帧映射到文本嵌入，显著提高了在Charades-STA和QV-Highlights等基准测试上的时间定位性能。 AI

影响无需昂贵的配对视频-文本数据即可训练视频理解模型，可能减轻标注负担。

排序理由学术论文，详细介绍了一种新的AI视频时间定位方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 26 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了一种新的AI视频时间定位方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Divyanshu Mishra, Sabine Sternig, Rakshith Shetty, Erhan Gundogdu · 2026-11-05 05:00

黑暗中的接地：用于零样本视频时间定位的纯文本训练

arXiv:2611.06149v1 Announce Type: cross Abstract: Video-LLMs are typically trained on paired video-text data for temporal tasks, yet collecting precise temporal annotations and training on large-scale video datasets are both costly. We investigate whether a text-only LLM, with no…

本文如何被排名

报道来源 [1]

黑暗中的接地：用于零样本视频时间定位的纯文本训练

相关实体

相关话题