Arkadiy Saakyan

新数据集VideoNorms测试视频大语言模型的文化意识

研究人员开发了VideoNorms，一个旨在评估视频大语言模型（VideoLLMs）文化意识的新数据集。该数据集包含来自美国和中国热门电视剧的3000多条人工判断，侧重于预测文化规范的遵守或违反情况以及识别支持证据。研究结果表明，当前VideoLLMs在处理中国文化规范方面的表现不如美国文化规范，并且在识别非语言证据方面更加困难。研究还指出，虽然视频模态至关重要，但仅仅扩大模型规模并不一定能提高在此任务上的性能。