arXiv · AI· Jaehong Myung, Seunghun Oh, Unsang Park·· 12 小时前AI 评分33
诊断视听语言模型中的语音-视觉时间组合：本地证据与全局失败
Local Evidence, Global Failure: Diagnosing Speech-Vision Temporal Composition in Audio-Visual Language Models
AI 导读
研究指出视听大语言模型（AV-LLM）在完整视频语音-视觉决策中常发生失败，尽管局部视觉证据可被恢复。 提出无需训练的Temporal Evidence Decomposition（TED）诊断框架，在SVHalluc基准的四个冻结AV-LLM上，Temporal Forecasting准确率从29.3%-33.7%提升至79.3%-82.2%。
来源：arXiv · AI · arxiv.org