仅用文本训练的LLM零样本实现视频时序定位
热点事件持续更新
仅用文本训练的LLM零样本实现视频时序定位
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Divyanshu Mishra 等在 arXiv 论文中提出 Nearest Entity Replacement（NER）方法：LLM 仅用 134K 条文本视频描述训练、无视觉预训练，推理时才输入视频，即可零样本完成视频时序定位。NER 将每帧表示为其最近文本实体嵌入的归一化均值，使模型接收到训练时同类的输入。 在 Charades-STA 和 QV-Highlights 两个数据集上，NER 分别取得 14.45 和 20.72 mtIoU，比四类模态差距基线中最强者分别高出 5.00 和 1.71 点。模型以 LoRA 适配 Qwen3-8B，基于 CLIP 或 LLM2CLIP 文本嵌入。
AI 根据报道生成 · 1 小时前更新
最新进展11月5日 13:00
黑暗中定位：仅用文本训练实现零样本视频时序定位报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv cs.AI黑暗中定位：仅用文本训练实现零样本视频时序定位
一项 arXiv 研究探索仅用文本视频描述训练无视觉预训练的 LLM 完成时序定位，推理时才输入视频。研究者构建 134K 条、最多 100 个时间步的文本序列语料，用 LoRA 适配 Qwen3-8B（基于 CLIP 或 LLM2CLIP 文本嵌入），在 Charades-STA 和 QV-Highlights 上评测。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。