UniPixel

新的E-VQA任务旨在提高视频LLM的透明度

研究人员推出了一种名为证据支持视频问答（E-VQA）的新任务，旨在提高视频大语言模型（Video LLM）的透明度。目前的模型通常在没有明确视觉依据的情况下提供答案，现有的可解释性方法也有限。E-VQA要求模型同时输出语义答案和精确的时空证据，例如时间段和对象掩码。为了支持这一点，创建了一个名为ST-Evidence的新基准，以及一个名为ST-Evidence-Instruct的大规模数据集，用于训练模型进行细粒度的视觉定位。