视频理解
-
当雪花视频让大模型集体交白卷：视频理解真正缺的是时间感
一项“雪花视频”测试显示，人类能轻松识别动态噪声中的内容，主流多模态大模型却几乎全部失败。问题不在图像识别，而在现有架构缺少稳定的时间感知能力。
一项“雪花视频”测试显示，人类能轻松识别动态噪声中的内容，主流多模态大模型却几乎全部失败。问题不在图像识别，而在现有架构缺少稳定的时间感知能力。
