跳到正文
arXiv · 机器人与计算机视觉· Garry Yang, Yuqiao Liu, Hao Lin, Luohao Pan, Xinru Chen, Wanqi Ren, Zhikang Xu, Yizhan Huang, Huaixiao Tou, James Cheng·· 9 天前AI 评分58

Video-DCI:VLM 智能体与人类观众在直接视频语料交互中的差距有多大?

Video-DCI: How Far Are VLM Agents from Human Viewers in Direct Video Corpus Interaction?

AI 导读

本文提出了 Video-DCI,一个用于评估多轮视频证据检索、定位及跨视频证据组合能力的诊断基准。该基准包含 DCI-Loc(时间证据定位)和 DCI-QA(端到端发现与保留)两个任务,要求智能体在仅给定问题和视频池的情况下,迭代检查局部窗口并引用时间跨度来回答。

来源:arXiv · 机器人与计算机视觉 · arxiv.org