科研团队推出Video-of-Thought框架，提升复杂视频推理能力

新加坡及中国科研团队开发了一种名为Video-of-Thought (VoT)的全新视频推理框架，旨在增强多模态大语言模型处理复杂视频理解与推理的能力。VoT通过模拟人类理解视频的感知和认知过程，将问题分解为一系列子任务，从而提高模型的性能。实验表明，VoT在多个视频问答数据集上表现出色，超越了当前最优方法，为复杂视频任务提供了解决方案。该成果已被ICML 2024录用。
来源：https://mp.weixin.qq.com/s/K5qqCj-g7FpXPM3AGewgYg