时序逻辑一致性

通过跨模态注意力可区分性理解视频语言模型中的时序逻辑一致性

Understanding Temporal Logic Consistency in Video-Language Models through Cross-Modal Attention Discriminability

对做视频多模态理解的人，这篇给出了一个可复用的诊断与改进思路：用跨模态注意力头对不同时间戳视频 token 的区分度来定位时序推理失效，并通过注意力锐化目标直接提升时序分辨率，可作为分析 Video-LLM 时序能力的探针与训练正则。