多模态大模型

Universal Video Temporal Grounding with Generative Multi-modal Large Language Models

通用视频时间定位与生成多模态大语言模型

Zeqian Li, Shangzhe Di, Zhonghua Zhai, Weilin Huang, Yanfeng Wang, Weidi Xie

机构 * SAI, Shanghai Jiao Tong University（上海交通大学SAI实验室） ； ByteDance Seed（字节跳动种子） 纠错

专题命中 视频多模态 ：multi-modal(title,abstract)；分类 cs.CV

AI总结 本文提出UniTime模型，利用生成多模态大语言模型实现通用视频时间定位，有效处理多类型视频并提升VideoQA任务性能。

VLA-4D: Embedding 4D Awareness into Vision-Language-Action Models for SpatioTemporally Coherent Robotic Manipulation

VLA-4D: 将4D意识嵌入视觉-语言-动作模型中以实现时空一致的机器人操作

Hanyu Zhou, Chuanhao Ma, Gim Hee Lee

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） 纠错

专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV

AI总结 VLA-4D通过4D意识增强视觉-语言-动作模型，实现时空一致的机器人操作，提升动作执行的空间平滑性和时间一致性。

Behind the Screens: Uncovering Bias in AI-Driven Video Interview Assessments Using Counterfactuals

屏幕背后：利用反事实揭示AI驱动视频面试评估中的偏见

Dena F. Mujtaba, Nihar R. Mahapatra

机构 * Department of Electrical and Computer Engineering, Michigan State University（电子与计算机工程系，密歇根州立大学） 纠错

专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出基于反事实的框架，用于评估AI驱动视频面试评估中的偏见，通过生成对抗网络生成反事实数据，揭示不同群体间的差异，提升伦理透明度。