يمكن أن تفشل النماذج اللغوية الكبيرة السمعية البصرية (AV-LLMs) في اتخاذ قرارات تخص الفيديو الكامل والكلام المصاحب له، حتى عندما تكون الأدلة البصرية المفيدة قابلة للاسترجاع محليا. دراسة حديثة تقدم إطار
Markdown supported · ⌘↵ to post
No responses yet.