模型看到了什么?基于多模态 LLM 的视频分析中的表示有效性
原文:What Does the Model See? Representation Validity in Multimodal LLM-Based Video Analysis
多模态大语言模型(MLLM)允许社会科学家大规模分析视频,但研究人员必须决定提供视频的哪些部分作为输入。我们使用术语表示有效性来检查文本、音频、视频和组合输入如何影响测量和后续分析。我们比较了六个开放权重 MLLM 和三个人工注释视频数据的输入表示
正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。
抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。
正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。