跳到正文
arXiv · NLP· Aditya K Surikuchi, Raquel Fern\'andez, Sandro Pezzelle·· 2026-10-14AI 评分21

多模态基础模型难以识别视频高光时刻

Where is the multimodal goal post? On the Ability of Foundation Models to Recognize Highlights in Videos

AI 导读

研究基于足球集锦构建新数据集,评测多模态基础模型识别视频中重要子事件的能力。 结果显示最先进模型无法可靠捕捉上下文重要性,且倾向于依赖单一主导模态。 这凸显了构建动态适应多模态异构性的模块化架构的必要性。

来源:arXiv · NLP · arxiv.org