本研究关注语言多模态模型在多学科讲座理解中的不足，提出Video-MMLU基准，评估90多种模型，揭示其认知局限，并探讨视觉标记数量对表现的影响。

Video Multimodal Learning Understanding Benchmark: A Large-Scale Cross-Disciplinary Lecture Understanding Benchmark
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证