音视频大语言模型

SVHalluc：面向音视频大语言模型的语音-视觉幻觉基准

SVHalluc: Benchmarking Speech-Vision Hallucination in Audio-Visual Large Language Models

为视觉研究者提供了一个诊断音视频大模型「语音-视觉」跨模态对齐能力的评测框架，其语义与时序双维度探针可直接用于检验视频理解模型是否真正将语音内容落地到对应画面，而非仅靠单模态先验作答。