arXiv · NLP· Christian Pipal, Eva-Maria Vogel, Morgan Wack·· 5 小时前AI 评分33
多模态 LLM 视频分析中的表征效度：不同输入模态对测量结果的影响
What Does the Model See? Representation Validity in Multimodal LLM-Based Video Analysis
AI 导读
研究在六个开源权重 MLLM 上评估文本、音频、视频等输入表征的效度。七项新闻相关构念中，原生视频输入的 macro-F1 稳定在 .70-.77，而提取文本输入的 macro-F1 在 .52-.80 之间波动。
来源：arXiv · NLP · arxiv.org