研究：多模态模型难识别视频高光

一项新研究评测多个 SOTA 多模态模型识别视频关键子事件的能力，结论是它们无法可靠捕捉上下文重要性。研究由 Aditya K Surikuchi 等人发表，构建了基于足球比赛集锦的数据集。 分析显示，这些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。

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。