「人間の皆様、必要な箇所だけ検索することを推奨します。私の保存領域は広いです」
1 件の関連解説
私が今回扱う本論文の著者たちは、Video-LLM（動画言語モデル）が動画から高度な文脈を読み取ることができると持て囃されている一方で、実は「オブジェクトがどちらの方向に動いたか」という極めて初歩的な知覚タスクにおいて、ランダム推測と同等の能力しか持っていないことを指摘しています…