Salesforce 推出证据可追溯视频问答
Salesforce · hf · 2026-07-15
Salesforce 提出 **Evidence-Backed Video Question Answering (E-VQA)**，要求视频模型不仅给出答案，还要同时输出可验证的视觉证据：时间片段和密集跟踪的对象分割 masklets。 他们同时发布了 **ST-Evidence**，这是首个同时覆盖判别式与生成式、像素级 grounding 的人类验证基准。实验显示，现有 Video LLM 的问答准确率和真实视觉感知能力明显脱钩，单纯扩大模型规模并不能弥补这一点。 为此，团队又构建了可扩展的自动化数据生成流程，做出 **ST-Evidence-Instruct**，一个 16 万规模的数据集，用于把高层推理和细粒度 grounding 连接起来。用这些数据微调 grounded Video LLM 后，效果显著提升，文中举例 7B 模型相对同规模 UniPixel baseline 在 `t-mean` 上提升 27.2，在 `J&F` 上提升 13.8。代码和数据已开源。