Tag · 4 篇

第一人称视频理解

Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding

把「该看哪里、何时看」的时空掩码作为提示注入前沿多模态模型，可显著提升复杂视频推理；这套提示构造与推理链标注方式可直接迁移到其他视频问答或具身感知任务的评测与增强。

LifeEval: A Multimodal Benchmark for Assistive AI in Egocentric Daily Life Tasks

为视觉研究者提供了一个以第一人称连续视频流为输入、要求模型在对话中实时给出任务导向协助的评测设定，可用于检验 MLLM 的在线感知与自适应交互能力，而非事后视频问答。

EgoSound: Benchmarking Sound Understanding in Egocentric Videos

为视觉研究者提供了一个可复用的第一人称音视频问答基准与七任务分类体系，可用于诊断多模态大模型在离屏事件、空间定位与因果推理上的盲区，并作为音频-视觉联合训练或评测的下游测试床。

Ego2Web: A Web Agent Benchmark Grounded in Egocentric Videos

Ego2Web 将第一人称视频感知与网页任务执行串联，为视觉研究者提供了检验视频理解模型能否支撑真实世界在线任务的新基准；其 LLM-as-a-Judge 自动评估方法（Ego2WebJudge）也可迁移到其他需要开放式判断的视觉任务评测中。