AGI Hunt· Keuntae Kim·· 45 分钟前AI 评分46
V-JEPA-LM:反事实监督让语言模型读懂视频动态,4B级准确率61.1→72.1
V-JEPA-LM:反事实监督让语言模型读懂视频动态,4B 级准确率 61.1→72.1
AI 导读
V-JEPA-LM提出利用视频正放与倒放的反事实监督,从冻结的V-JEPA预测式视频编码器中学习运动动态。训练阶段由3→1,样本数由88.5M→4.53M,每帧视觉token由288→32;4B级模型在12项基准上的平均准确率由61.1升至72.1,并以1/20的训练数据超过InternVL3.5-4B、PLM-3B等开源视频LLM。
来源:AGI Hunt · agihunt.info