AI在线 AI在线

视频理解

大模型无法真正理解视频，GPT-4o正确率仅36%，南洋理工大团队提出新基准

大模型无法真正理解视频，GPT-4o正确率仅36%，南洋理工大团队提出新基准
视频大型语言模型（Video LLMs）的发展日新月异，它们似乎能够精准描述视频内容、准确的回答相关问题，展现出足以乱真的人类级理解力。 但有一个非常本质的问题始终萦绕着研究者的心头：这些模型是真的“理解”了视频，还是仅仅在进行一种高级的“模式匹配”？ 为了解决上述问题，来自南洋理工大学S-Lab的研究者们提出了一个全新的、极具挑战性的基准测试——Video Thinking Test（简称Video-TT）。
8/1/2025 6:23:28 PM
不圆
多榜单登顶！华为 & 哈工深团队提出 AdaReTaKe，突破长视频理解极限

多榜单登顶！华为 & 哈工深团队提出 AdaReTaKe，突破长视频理解极限
第一作者为哈尔滨工业大学（深圳）博士生王霄和华为大模型研究员佀庆一，该工作完成于王霄在华为实习期间。 王霄的研究方向为多模态视频理解和生成，佀庆一的研究方向为多模态理解、LLM post-training和高效推理。 随着视频内容的重要性日益提升，如何处理理解长视频成为多模态大模型面临的关键挑战。
4/4/2025 1:39:00 PM
机器之心
PVUW视频分割Workshop@CVPR 2025 | 征稿！比赛！

PVUW视频分割Workshop@CVPR 2025 | 征稿！比赛！
第四届真实世界下的像素级视频理解挑战赛（The 4th PVUW challenge）主页/Call for Paper：：复杂场景视频目标分割挑战赛（MOSE Challenge）：参赛、数据集下载：：基于动作描述的指向性视频分割挑战赛（MeViS Challenge）：参赛、数据集下载： 真实世界下的像素级视频理解（Pixel-level Video Understanding in the Wild, PVUW）挑战赛将于 CVPR 2025 期间在美国田纳西州纳什维尔的 Music City Center 举办。 像素级场景理解是计算机视觉中的核心问题之一，旨在识别图像中每个像素的类别、掩码和语义。 然而，现实世界是动态的，基于视频的，而非静态的图像状态，因此学习进行视频分割对于实际应用来说更为合理和实用。
3/3/2025 4:37:00 PM
新闻助手