跳到正文
Hugging Face Daily Papers·· 2026-10-15AI 评分17

EVA-Cap:通过事件中心对齐优化音视频视频描述

EVA-Cap: Optimizing Audiovisual Video Captioning via Event-Centric Alignment

AI 导读

EVA-Cap 框架将音视频描述拆解为原子级音视频事件,把非结构化文本监督转为事件中心对齐,通过 SFT 和 GRPO 在自建数据集 EVA-Data 上训练,GRPO 阶段围绕全局事件完整性、事件内归因和事件间同步三个目标优化。在 ChronusAV 的事件中心评测上平均提升 9.0%,在 WorldSense 上提升 3.3%,论文已被 NeurIPS 2026 接收,代码将开源。

打开原文 arxiv.org