本文提出“Long Story Short”零样本长视频问答框架:先用GPT-3将长视频概括为情节摘要,再检索与问题相关的片段,并用CLIPCheck校验视觉一致性。在MovieQA、PororoQA和DramaQA上,该方法超过部分有监督模型,证明“先概括后检索”对长视频叙事理解有效。
完成下面两步后,将自动完成登录并继续当前操作。