视频大模型

ROVER: Recursive Reasoning Over Videos with Vision-Language Models for Embodied Tasks

ROVER：基于视觉语言模型的视频递归推理用于具身任务

Philip Schroeder, Ondrej Biza, Thomas Weng, Hongyin Luo, James Glass

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； RAI Institute（RAI研究院） 纠错

专题命中 视频问答 ：video reasoning(abstract)；分类 cs.CV

AI总结 ROVER通过递归分解视频轨迹提升具身任务中的视频推理能力，有效减少幻觉并提高准确性。