探针读出

视频基础模型编码了多少 3D 信息？

How Much 3D Do Video Foundation Models Encode?

提出一种模型无关的探针框架，通过浅层读出从视频基础模型特征中估计多种 3D 属性，为评估视觉模型内在 3D 理解提供可复用工具，并揭示视频生成模型可超越专家 3D 模型。