Компьютерная наука > Компютерное видение и распознавание шаблона [представлено 26 октября 2026 года] Название: Diagnosing and Reduction Bias in MLM for Long Video Timber View HTML (экспериментальный) Резюме: Ответ на вопрос «Долговидение» часто зависит от нескольких решающих моментов, разбросанных по всему видео, в то время как ограничения памяти заставляют мультимодальные модели Большого языка (MLMS) брать образцы с очень низкой скоростью, что приводит к резкости, которая рискует опустить основные доказательства. Хотя агрессивное расширение размера контекста является интуитивной, мы утверждаем, что эффективность по-прежнему в значительной степени ограничивается предубеждением — эмфи {т.е.}, вводящими в заблуждение сигналами, вызванными подложными* текстовыми {лингвистическими} корреляциями и заметными, но не имеющими отношения к тексту {визуальными} наблюдениями. В этом документе мы впервые введем {S-MME}, ориентир, предназначенный для систематического диагностики поведения в MLLM. Для смягчения этой проблемы мы предлагаем также создать систему, свободную от профессиональной подготовки и основанную на контрафактных долгосрочных доказательствах (CLEAR). Считая полную пару видеовопросов полным видом, CLEAR оценивает последствия отклонения путем расширения просмотра только посредством сохранения вопроса или локальных видеороликов. Затем мы вмешиваемся в скрытые состояния, чтобы уменьшить расхождения при выводе так что правильный ответ можно предсказать уверенно.…
Диагностика и коррекция Биаса в MLLM для длительного видеопонимания
arXiv:2610.36201v1 Annuate Type: New Humber: Long-view Indext — это сложная задача, поскольку ответ часто зависит от нескольких решающих моментов, разбросанных по всему видео, в то время как ограничения памяти заставляют мультимодальные модели Большого языка (MLMs) брать образцы с очень низкой скоростью, что приводит к неровности, которая рискует упустить основные доказательства. Хотя агрессивное расширение размера контекста является интуитивной, мы утверждаем, что эффективность по-прежнему в значительной степени ограничивается предубеждением — эмфи {т.е.}, вводящими в заблуждение сигналами, вызванными подложными* текстовыми {лингвистическими} корреляциями и заметными, но не имеющими отношения к тексту {визуальными} наблюдениями. В этом документе мы впервые введем {S-MME}, ориентир, предназначенный для систематического диагностики поведения в MLLM. Для смягчения этой проблемы мы предлагаем также создать систему, свободную от профессиональной подготовки и основанную на контрафактных долгосрочных доказательствах (CLEAR). Рассматривая полную пару видеовопросов как полный вид, CLEAR оценивает последствия отклонения путем увеличения просмотра на онл