跳到正文
arXiv · NLP· Jiapeng Shi, Qiuxia Hou, Jiaqi Leng, Junke Wang, Yanhao Zhang, Haonan Lu, Ziyi Ye, Zuxuan Wu·· 2026-10-16AI 评分24

EVA-Cap:通过事件中心对齐优化音视频视频字幕生成

EVA-Cap: Optimizing Audiovisual Video Captioning via Event-Centric Alignment

AI 导读

EVA-Cap 框架将字幕分解为原子音视频事件,通过事件中心对齐显著优化音视频字幕生成,在 ChronusAV 基准上平均性能提升 9.0%。 该框架经 SFT 与 GRPO 阶段在自构建的 EVA-Data 数据集上训练,对全局事件完整性、事件内归属及事件间同步进行显式优化,并在 WorldSense 基准上提升 3.3%。

来源:arXiv · NLP · arxiv.org