评测视频语言模型的驾驶时序理解能力

Shiva Sreeram 等通过需要从驾驶视频中识别动作的受控自运动任务，评测视频语言模型的时序理解能力，发现标准提示、视觉提示、few-shot 提示和 chain-of-thought 提示均不可靠，且高度依赖任务与模型，存在持续的类别偏差。 研究称，轻量 LoRA 微调和基于中间视觉特征的简单探针能恢复较强的运动判别性能，表明运动相关线索常存在于模型内部，但未被最终的视频到语言通路可靠使用。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。