Natural-Language Temporal Grounding 在小时级视频中本质是搜索问题:ExtremeWhenBench 基准与实证分解
做长视频理解或视频检索的开发者会发现,当前 Video-LLM 在小时级视频上几乎不可用,而简单的检索基线反而更有效——这个反直觉结论值得点开看看,或许能帮你重新设计系统架构。
做长视频理解或视频检索的开发者会发现,当前 Video-LLM 在小时级视频上几乎不可用,而简单的检索基线反而更有效——这个反直觉结论值得点开看看,或许能帮你重新设计系统架构。