Salesforce

Evidence-Backed Video Question Answering

有证据支持的视频问答

Shijie Wang, Honglu Zhou, Ziyang Wang, Ran Xu, Caiming Xiong, Silvio Savarese, Chen Sun, Juan Carlos Niebles

机构 * Salesforce, Palo Alto, CA, USA（Salesforce公司） ； Brown University, Providence, RI, USA（布朗大学） 纠错

AI总结 研究视频问答中模型缺乏可视化依据的问题，提出E-VQA任务及ST-Evidence基准，开发数据集ST-Evidence-Instruct，通过微调提高模型表现，为可解释的视频理解建立基线。

Journal ref ECCV 2026

Abstractiveness Metrics for Evaluating Text Summarization: A Refined Formulation with Empirical Validation

用于评估文本摘要的抽象性度量：一种经过实证验证的精确公式

Praveenkumar Katwe, Rakesh Chandra Balabantaray, Kali Prasad Vittala

机构 * International Institute of Information Technology, Bhubaneswar（布巴内斯瓦尔国际信息技术学院） ； Salesforce India Pvt Ltd（Salesforce印度私人有限公司） 纠错

AI总结 研究旨在量化文本摘要抽象性，引入RA、SA和AR度量，利用文档长度调和平均及非重叠因子公式，在四个模型上评估100个XSUM文档，成功区分提取式与抽象式模型，抽象率可识别需人工评估的摘要。

Comments 13 pages, 8 figures, code at https://github.com/katweNLP/AbstractionStudy. Extended and revised version of: Katwe et al., IEEE OCIT 2022 (doi:10.1109/OCIT56763.2022.00022)