跳到主要内容
检索

# BLIP-Live框架

2 篇关联报道

订阅更新
  1. BLIP-Live 把“何时开口”纳入智能:326 段第一视角视频上,多余回应比现有模型减少一半以上

    Salesforce AI Research 推出视频智能体 BLIP-Live,把“何时开口”本身当作要学的能力,而不只是识别画面里发生了什么。此前的视频智能体把实时摄像头、语音交互与产品数据知识结合起来引导复杂流程,但“视觉助手该在何时说话”仍是一个互补的研究问题。BLIP-Live 用包含有用回应时刻与应保持安静时段的大规模训练数据,并借助智能体记忆减少重复。在 326 段第一视角视频的评测中,它把现有模型的多余回应减少了一半以上,评测对重复和窗口外发言计费,完全不说话也拿不到分。

  2. arXiv

    流式视频智能体学会何时沉默:BLIP-Live用PAUC-F压住重复触发,ProactiveVideoQA均值49.08超此前最好44%

    BLIP-Live把流式视频中的主动响应重新定义为“该说时说、不该说时沉默”的因果决策,并围绕这一目标统一了数据、指标、推理外壳与训练。它构建了含784,944条人工核验响应、同时标注响应内容与时间区间的BLIP-Live-780K数据集,并提出兼顾及时性与触发精确率的PAUC-F指标。训练得到的BLIP-Live-Qwen在四个主动流式基准上取得最优,ProactiveVideoQA均值49.08,较此前最好的MMDuet2的34.01高出44%。

已读完全部报道