跨越时空进行视觉推理：面向视频分割的依据驱动方法
论文提出用于视频推理分割的方法Temporal Chain of Video Primitives（TCoVP）。该方法将相关观察整理为按时间排列的推理链，结合实体指代、时间戳和空间证据，帮助模型判断所指实体、事件发生时间以及视频中证据的位置。研究使用监督微调和强化学习数据集进行训练，并在五个基准测试上通过三种模型骨干进行评估。作者表示将公开模型和代码。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。