资料索引 视频理解 · arXiv 2611.25776
作者 Youngwoo Shin 等
Suppressing the Shortcut Hidden Behind the Gains of VideoLLM Fine-Tuning
Daily Papers 收录于

有些短视频题目即使把屏幕遮住,也能根据问题措辞猜出答案。研究者先估计模型内部对纯文本输入敏感的方向,再调整微调更新,让模型更难只靠这些规律完成视频问答。

在七种模型和六个分布变化的测试集上,作者比较了常规微调与新方法。这个实验专门考察训练与使用环境变化后是否仍会看画面,原题库分数高低只回答了其中一部分。

原始资料