跳到正文
arXiv · AI· Keuntae Kim, Dongjun Kim, Yong Suk Choi·· 4 天前AI 评分53

V-JEPA-LM:超越静态文本对齐表示的动态视频语言模型

V-JEPA-LM: Video-Language Models That Read Dynamics Beyond Static, Text-Aligned Representations

AI 导读

研究者提出 V-JEPA-LM,将 V-JEPA 世界模型视频编码器与语言模型结合,通过反事实监督使模型读取视频动态而非仅检索文本属性。

来源:arXiv · AI · arxiv.org