跨模态视觉定位

直击要点：基于事件链的免训练多模态摘要

Cut to the Chase: Training-free Multimodal Summarization via Chain-of-Events

把分层事件图当作免训练的结构化推理骨架，为视频-文本-图像融合提供显式的跨模态视觉定位与时序事件转移建模，可复用于视频问答、视频描述等需要事件级时序推理的视觉-语言任务。