EVA-Cap：通过事件中心对齐优化音视频视频描述

EVA-Cap 提出将音视频视频描述拆解为原子事件，把非结构化文本监督转为事件中心对齐，并通过 SFT 与 GRPO 在自建数据集 EVA-Data 上训练。GRPO 阶段围绕全局事件完整性、事件内归因和事件间同步三个目标优化。实验显示其在 ChronusAV 上平均提升 9.0%，在 WorldSense 上提升 3.3%。