Mohammad Al-Ratrout

视频大语言模型在基准测试得分的情况下仍无法跟踪角色

一项发表在arXiv上的新研究表明，当前的视频大语言模型（Video-LLMs）在长视频中准确跟踪角色的能力方面存在困难。尽管在InfiniBench的全局外观任务等基准测试中表现强劲，但模型常常无法识别特定角色，尤其是在区分同性别的个体时。研究表明，这些模型依赖于性别等表面线索，而不是深层的角色识别，导致在开放式提问或角色名称更改时准确率显著下降。