跳到正文
arXiv · 机器人与计算机视觉· Xin Liang, Jiangpeng He·· 20 天前AI 评分73

REEL:同一帧不同答案与成本评估框架

REEL: Same Frames, Different Answers and Different Costs

AI 导读

论文提出 REEL 评估框架,在六个视觉语言模型和两个基准上对比了文本摘要、视觉编码器输出、前缀状态三种记忆方式与全量重处理的差异。结果显示文本摘要与重处理在 20% 至 29% 的问题上准确率不同,而视觉和前缀状态更接近重处理;其中前缀状态以约 21 GiB/视频的成本实现了最低的 GPU 时间开销。

来源:arXiv · 机器人与计算机视觉 · arxiv.org