V-JEPA-LM:反事实监督让语言模型读懂视频动态,4B 级准确率 61.1→72.1

Keuntae Kim · hf · 2026-11-16

新工作 V-JEPA-LM 提出:对像素变换做反事实监督(同一视频正放/倒放,答案集合由时间反转决定),可以让语言模型从冻结的预测式视频编码器 V-JEPA 中读出运动动态,而非仅依赖静态、文本对齐的表征。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →