MoTE: Смесь экспертов по задачам для многозадачного понимания видео
arXiv:2608.24763v1 Новые модели процедурных видеоязыков должны решать неоднородные задачи из одних и тех же визуальных доказательств, включая распознавание действий, прогнозирование и прогнозирование процедур. Плотные трансформаторные декодеры разделяют одни и те же сети передачи данных между…