VidVec 利用视频 MLLM 嵌入实现视频-文本检索

VidVec 结合中间层嵌入与校准 MLLM 头部实现零样本视频-文本检索，无需训练即可获得强劲性能。 该方法采用基于文本的轻量化优化策略，利用稠密视频描述作为视频语义的文本替代，无需配对的视觉数据。 实验表明，这种仅基于文本的优化效果优于使用配对视频-文本监督的方法，且在常见基准测试中达到了当前最佳水平。