全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

SleuthVLM:全模态视频理解真的需要视频内音频吗?

Omni models answer questions about videos by jointly processing sampled frames and audio in one turn, with progress driven largely by scaling model size and omni training data. We ask whether a model needs to hear the audio directly at all, and present SleuthVLM, an agent harness built on a VLM that never hears the aud

阅读原文 · Peiran Wu, Fangfei Gou, Zhaoxi Mu, Changhao Zhang, Jian Liu, Weiqiang Wang, Yuntao Wang, Yuanchun Shi, Junxiao Shen

乔木风格重写

向阳乔木 · opencode-go/deepseek-v4.1-flash

“全模态视频理解”这条路上,大家默认的做法是把画面和音频一起喂进模型,然后不断加大模型、堆更多全模态训练数据。 这篇论文反过来问了一句: 模型真的需要亲耳听到音频吗? 它给出的方案 SleuthVLM 干脆不让 VLM 直接听音频,先把语音转成文本,再让模型自己去“查案”。结果在四个全模态基准上拿到 75.0% 的平均准确率,比 Gemini 3.8 Fla...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出