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。
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
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...