Akihiro Sakuramoto

Gemini 2.5-Flash 在真实人机交互关系估计研究中领先

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。