arXiv · 机器人与计算机视觉· Jaehong Myung, Seunghun Oh, Unsang Park·· 2026-10-20AI 评分72
局部证据与全局失效:音频 - 视觉语言模型中语音 - 视觉时序组合的诊断
Local Evidence, Global Failure: Diagnosing Speech-Vision Temporal Composition in Audio-Visual Language Models
AI 导读
该论文针对音频 - 视觉大语言模型(AV-LLMs)在全视频决策中即使存在可用视觉证据也会失败的问题,提出了无需训练的 Temporal Evidence Decomposition (TED) 诊断框架。
来源:arXiv · 机器人与计算机视觉 · arxiv.org