SleuthVLM 提出免音频视频理解方法

SleuthVLM 论文作者提出一种基于视觉语言模型（VLM）的智能体式视频理解框架：模型不直接听音频，而是把语音转写成文本，再由 VLM 自主排查视频内容，不预设工作流程。作者称，该框架在四个全模态视频基准上平均准确率为 75.0%，比 Gemini 3.8 Flash 高 2.6 个百分点，并以 77.8% 登上 Video-MME-v2 榜单；这些基准的视频时长最长 90 分钟。 上述准确率与排名均为论文作者报告的结果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。