arXiv Artificial Intelligence· Aditya K Surikuchi, Raquel Fern\'andez, Sandro Pezzelle·· 19 小时前AI 评分26
多模态目标线在哪里？基础模型识别视频精彩片段能力研究
Where is the multimodal goal post? On the Ability of Foundation Models to Recognize Highlights in Videos
AI 导读
研究利用公开足球集锦构建数据集，评估多种 SOTA 多模态模型识别视频关键子事件的能力，发现模型无法可靠捕捉上下文重要性。分析显示模型倾向依赖单一主导模态，难以综合多源信息，研究据此强调模块化架构与跨模态协同训练的必要性。
来源：arXiv Artificial Intelligence · arxiv.org