以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Egocentric video captioning requires fine-grained detail and accurate timing, yet current multimodal large language models (MLLMs) often miss brief actions, confuse their order, or misinterpret the wearer's motion. Existing caption formats also offer limited support for combining detailed narration with precise timing.
阅读原文 · Yuqi Tang, Yang Shi, Yuran Wang, Tengfei Liu, Rundong Wang, Zongyang Qiu, Qixun Wang, Zhuoran Zhang, Xuanyu Zhu, Yifan Xu, Yiyan Ji, Shujie Li, Shixuan Liu, Haotian Wang, Yuanxing Zhang, Pengfei Wan, Chengwei Qin
向阳乔木 · opencode-go/deepseek-v4.1-flash
第一人称视角的视频描述,听起来只是给视频配文字,实际难度比想象中高。戴摄像头的人手一晃,一个开抽屉的动作可能只占半秒;镜头一转,前后步骤的顺序就乱了。现有 MLLM 在这类视频上经常漏掉短动作、把顺序搞混,或者把佩戴者自己的移动误读成别的东西。 EgoCaptioner 想解决的就是这个。它不只是生成一段描述,还要输出一种结构化的说明:先给视频整体概览,交代...