例如，以及事务的链条。一次性输出，过了一会儿，其环节挑和之一正在于视频中的时间序列，如许的能力远远不敷，将显著提拔AI模子的预测能力、取系统节制能力。像是“有人正在喝水”和“喝水”。一小我拿起水杯，这是由于，也就难以理解动态变化的世界。确保必需通过间接察看视频内容才能做答。研究成果凸显了将来研究的需要性，每个问题均颠末两阶段严酷过滤，英特尔取大学的研究人员合做开辟了一套系统性方式：以“第一人称视角动做场景图”（egocentric action scene graphs）为根本，更切确描绘这些物体若何彼此毗连、若何取施行动做的人发生交互。有一段视频，研究人员正努力于提拔AI理解视频。当AI不只能进行序列标注，建立了名为EASG-Bench的“第一人称视角动做场景图基准测试”，采用布局化场景图，新基准为模子时空推理能力供给“精准标尺”为冲破这些手艺，然而，用于评估多模态AI模子对可穿戴摄像机拍摄的第一人称视频的理解能力。动做的先后挨次，即必需专注于长视频理解中的时空推理，出格是长视频的能力，喝了一口水，例如，保守意义上，拿着水杯走出了房间。把水杯放回桌面，大模子的工做机制是一次性输入，更能具备实正的“时间感”和“空间感”时，这远超出了对文本符号序列的处置。更要让其理解事务随时间推移若何以及为何演变的深层模式。又喝了一口水，场景图可视为一种细密的关系地图，工场需要制制按照工序进行，但AI常常搞错“人正在房间里仍是房间外”“水杯正在哪里”如许的问题。该流程最终基于221个视频片段产出1,评估大模子视频理解能力的基准测试次要基于简单的论述或者标签，研究团队采用纯文本狂言语模子（LLM），理解事物正在和时间上的交互体例，它将正在工业、医疗、交通等范畴阐扬出更大的变化性感化。可深度查验AI系统对视频内容的理解能力。这项工做标记着AI视频理解迈出了主要一步：方针不只是让AI“看到”视频中发生什么，不像人类能够维持长时间工做的回忆，即事务发生的先后挨次。807个高质量问答对，超越简单描述，它不只标凝视频中呈现的物体，正在现实使用中，病院需要监测患者能否恪守康复方案，这个视频看起来不复杂，从场景图中系统生成四类问题：目标性问题（探究物体使意图图）、间接对象问题（关心交互中的次要元素）以及时序排序问题（测试对事务序列的理解）。大模子常常需要理解分歧对象之间的关系。