优化多模态大语言模型以实现视角视频理解：HD-EPIC VQA挑战的解决方案
Optimizing Multimodal LLMs for Egocentric Video Understanding: A Solution for the HD-EPIC VQA Challenge
AI总结：
本文提出一种优化多模态大语言模型的方法，通过预处理、微调和时间链式思考提示，在HD-EPIC VQA挑战中实现了41.6%的准确率。
摘要：
多模态大语言模型（MLLMs）在复杂的视频问答基准测试如HD-EPIC VQA中面临挑战，原因包括模糊的查询/选项、较差的长时间域推理能力和非标准化的输出。我们提出一个框架，整合查询/选项预处理、领域特定的Qwen2.5-VL微调、一种新的时间链式思考（T-CoT）提示以进行多步推理，以及稳健的后处理。该系统在HD-EPIC VQA上实现了41.6%的准确率，突显了在 demanding 视频理解中需要整体流程优化的必要性。我们的代码和微调模型可在https://github.com/YoungSeng/Egocentric-Co-Pilot获取。
英文摘要：
Multimodal Large Language Models (MLLMs) struggle with complex video QA benchmarks like HD-EPIC VQA due to ambiguous queries/options, poor long-range temporal reasoning, and non-standardized outputs. We propose a framework integrating query/choice pre-processing, domain-specific Qwen2.5-VL fine-tuning, a novel Temporal Chain-of-Thought (T-CoT) prompting for multi-step reasoning, and robust post-processing. This system achieves 41.6% accuracy on HD-EPIC VQA, highlighting the need for holistic pipeline optimization in demanding video understanding. Our code, fine-tuned models are available at https://github.com/YoungSeng/Egocentric-Co-Pilot.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
