多模態(tài)大型語言模型(MLLMs)通過遵循一般的人類指令來解釋視覺內(nèi)容,已經(jīng)展示了令人印象深刻的視頻理解性能。然而,這些MLLMs在長視頻理解方面仍然存在困難,因為長視頻序列可能包含各種動態(tài)動作和復(fù)雜的時間關(guān)系,這使得MLLMs難以有效定位與問題相關(guān)的關(guān)鍵片段。
北京第二十六維信息技術(shù)有限公司(至頂網(wǎng))版權(quán)所有. 京ICP備15039648號-7 京ICP證161336號京公網(wǎng)安備 11010802021500號
舉報電話:010-62641205-5060 涉未成年人舉報專線:010-62641208 舉報郵箱:jubao@zhiding.cn
網(wǎng)上有害信息舉報專區(qū):https://www.12377.cn