资料索引 视频理解 · arXiv 2611.26409
作者 Changli Tang 等
WeMM-Video: Pushing the Frontiers of Open-Source Omni-Modal Video Understanding
Daily Papers 收录于

一部视频可以拍到手在移动,声音才能说明门铃是否已经响起。WeMM-Video 提供四档模型,将文字、图像、音频与视频纳入一个体系,支持直接作答和分步推理。

报告汇总了超过 120 个基准。阅读有声视频的结果时,可以和静音任务对照,看看模型的优势来自画面识别,还是来自把声音和事件配在同一时间线上。

原始资料