12:26
官方账号arXiv cs.AI@Shijie Wang, Honglu Zhou, Ziyang Wang, Ran Xu, Caiming Xiong, Silvio Savarese, Chen Sun, Juan Carlos Niebles
推荐理由：Salesforce AI Research 发布了 E-VQA 任务和 ST-Evidence 基准，解决了视频问答无法验证视觉证据的问题。如果你想理解视频模型真正“看到”了什么，这篇论文值得一读。
ST-Evidence
共 1 条相关 AI 资讯
7月14日
12:26
当前视频大语言模型在问答中表现优异但缺乏可验证的视觉依据。研究人员提出E-VQA（Evidence-Backed Video Question Answering）新任务，要求模型同时输出语义答案和精确的时空证据：时间片段与密集跟踪物体分割掩码。为此构建了首个经人工验证的像素级定位基准ST-Evidence，包含判别与生成两种任务。对现有模型的评估显示，问答准确率与真实视觉感知之间存在显著脱节，仅靠扩展规模无法解决。团队开发了自动化生成流程，创建16万规模的ST-Evidence-Instruct数据集，微调后的7B模型在UniPixel基线上获得+27.2 t-mean和+13.8 J&F的提升。