VideoChat-R1.5

新方法通过压缩内容和改进时序推理来提升视频问答能力

研究人员开发了新的方法来改进长视频问答（VQA）。其中一种方法 MemoryCard 将视频内容压缩成面向主题的“记忆卡”，以更好地捕捉事件级语义，并将准确率提高高达 21.8%。另一种方法 TLG 通过重建视频时间线并将问题路由到专用模型来专注于时序逻辑推理，在正式的时序逻辑推理基准测试中实现了 24.5 的绝对准确率提升。另一项关于隐式视频问答的研究表明，对于当前基准测试而言，感知能力比高级推理技术更关键。