七个VLM在热成像人类活动理解中被测出失效模式

一项研究评测了七个可本地部署的视觉-语言模型（VLM）在两个以人为中心的热成像数据集上的表现，发现它们在细粒度动作识别、活动时间线重建和拒答能力上存在失效模式。研究以配对的RGB录像作为性能参照，并通过改变帧采样、热成像输入呈现方式和推理方式来检验这些错误能否缓解。 研究者称，简单的热成像输入预处理和额外推理只能带来有限且因模型而异的改进。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。