创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

EgoCaptioner生成细致计时视频描述

AI 总结

EgoCaptioner将视频级概览与第一视角活动的时间戳叙述结合起来。作者通过由粗到细的标注流程,从八个视频来源生成了5万个训练样本,并使用Group Relative Policy Optimization优化描述。论文称,该系统在五个第一视角基准中取得参评开源模型的领先表现,并在PhysCapBench上超过Gemini 3.1 Pro,在Minerva-Ego的描述转问答协议中超过所有参评专有基线。

深度见解

该系统针对多模态语言模型容易遗漏短暂动作、混淆事件顺序和误判佩戴者动作这一已知弱点。

Computer Science > Computer Vision and Pattern Recognition

arXiv:2611.26380 (cs)

[Submitted on 19 Nov 2026]

Title:EgoCaptioner: Towards Comprehensive and Fine-Grained Egocentric Video Captioning

Authors:Yuqi Tang, Yang Shi, Yuran Wang, Tengfei Liu, Rundong Wang, Zongyang Qiu, Qixun Wang, Zhuoran Zhang, Xuanyu Zhu, Yifan Xu, Yiyan Ji, Shujie Li, Shixuan Liu, Haotian Wang, Yuanxing Zhang, Pengfei Wan, Chengwei Qin

View a PDF of the paper titled EgoCaptioner: Towards Comprehensive and Fine-Grained Egocentric Video Captioning, by Yuqi Tang and 16 other authors

#EgoCaptioner#Gemini 3.1 Pro#PhysCapBench#Minerva-Ego#Group Relative Policy Optimization

原文约 3 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。