视频社交理解

面向多模态社交交互的多说话人注意力对齐

Multi-speaker Attention Alignment for Multimodal Social Interaction

针对多说话人视频场景中视觉 token 与文本 token 缺乏说话人一致对齐的问题，提出无需训练参数、无需改架构的注意力偏置注入方案：先动态选出负责视觉 grounding 的注意力头，再用说话人位置与现有注意力图计算社交感知偏置，直接加进注意力机制。做视频 VLM、多模态 grounding 或注意力分析的工作可直接复用这套「检测头选择 + 位置先验偏置」的免训练增强思路。