12:32arXiv cs.AI@Litao Li, Yibo Yu, Yufeng Hu, Zhuo Yang, Jiali Wen, Yixin Chen, Yixi Zhou精选本文提出了针对2026年SoccerNet VQA挑战赛的解决方案。研究团队首先开发了一种由视觉语言模型驱动的低成本数据合成流程,将原始领域数据系统性地转化为多样化的VQA样本,包括简洁答案和长文本回答。其次,提出了MSUE架构,这是一种多专家问答架构,利用大语言模型动态地将问题分配给文本、图像和视频专家。这些专家分别由强大的文本基线Gemini3-Flash、微调的Qwen3-VL和外部知识库实例化,协同工作以提升VQA性能。MSUE在挑战基准上达到了0.95的准确率,在排行榜上获得第三名。论文多模态VQA足球分析SoccerNet大语言模型推荐理由:足球视频分析团队和体育AI研究者可以借鉴其低成本数据合成和多专家协作架构,直接提升VQA任务的准确率,值得关注。原文
11:37arXiv cs.AI@Andrew Kang, Priya Narasimhan精选该研究将足球传球评估重新定义为蒙特卡洛树搜索(MCTS)问题,利用已有的价值模型、世界模型和反事实动作策略。基于德甲首个公开高保真3D球轨迹数据集,提出Monte Carlo Pass Search(MCPS),为每个观察到的传球推断踢球参数,采样执行变体和选项变体,用球条件世界模型滚动预测至下一次触球,并通过学习到的价值模型评分获得价值分布。该分布支持两种互补的执行盈余分数(基于均值和百分位数)用于分析和排名。为在有限公开数据下提高世界模型样本效率,改编了自动驾驶领域的离散令牌自回归轨迹生成器(SMART),在最佳20次预测准确率上优于基线,并支持完全假设性滚动用于下游评估。已发布模型检查点和代码。论文蒙特卡洛树搜索足球分析3D轨迹反事实评估开源/仓库推荐理由:足球数据分析团队终于有了可落地的3D传球评估工具——MCPS用MCTS框架量化每次传球的执行盈余,做战术分析或球员评估的可以直接用开源代码和模型。原文