利用多模态大语言模型推动自我中心视频问答的进展

本研究评估了多模态大语言模型在自我中心视频问答中的表现，特别是针对长时间跨度推理和第一人称视角的挑战。引入的QaEgo4Dv2数据集显示，微调后的Video-LLaVa-7B和Qwen2-VL-7B-Instruct在问答任务中表现优异，提升了准确性，并指明了未来改进方向。