共分析 1 篇论文
⚡ 今日概览
✅ 筛选入选 1 篇 → 🔬 深度分析完成
🏷️ 标签说明：本期使用新版受控 taxonomy；站点标签页暂时兼容展示历史标签与新标签。
🏷️ 热门方向
| 方向 | 数量 | 分布 |
|---|---|---|
| #音视频问答 | 1 篇 | █ |
📊 论文评分排行榜（1 篇，按分数降序）
| 排名 | 论文 | 总分 | 分档 | 文档类型 | 主任务 |
|---|---|---|---|---|---|
| 🥇 | AVTrace: Diagnosing Audio-Visual Temporal Reasoning in… | 7.0 | 前50% | 数据集与基准 | #音视频问答 |
📋 论文列表
🖼️ 有图的论文会在这里展示首张原论文图；点击图片可打开 arXiv 原图。
🥇 能说出事件不等于能定住时间：AVTrace 如何拆解音画时间推理
英文题目：AVTrace: Diagnosing Audio-Visual Temporal Reasoning in Omni Models
标签：#音视频问答 | #基准设计 | #音视频 | #基准测试 | #模型评估
评分：7.0/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5
排名：前50% | 文档类型：数据集与基准 | arXiv 原文
👥 作者与机构
- Longyin Zhang：机构信息未在 arXiv HTML 中可靠披露
- Parth Sakhare Mahendra：机构信息未在 arXiv HTML 中可靠披露
- Chengwei Wei：机构信息未在 arXiv HTML 中可靠披露
- Ning Zhang：机构信息未在 arXiv HTML 中可靠披露
- Lim Ming Chong：机构信息未在 arXiv HTML 中可靠披露
- Sirui He：机构信息未在 arXiv HTML 中可靠披露
- Ai Ti Aw：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
该基准面向全模态模型（Omni Model）的音视频时间推理，输入为音视频片段与任务问题，输出涵盖时刻点、起止区间、同步二分类、下一步动作、跨模态区间加描述、有序步骤链及锚点目标加答案。构建链先由公共视频源导出候选时间信号，再经 Qwen3-Omni-30B 做开端检测、跨模态定位与银答案构建并由 Qwen3-235B 生成问题与校验，最后施加确定性结构门控并按上游数据集加原始视频标识分组切分。评测链先经严格 JSON 解析诊断格式，再由无参考归一器抽取结构化答案并以时间交并比（temporal Intersection over Union， tIoU）与文本重叠等原语确定性计分。与已有音视频问答相比，该设计强制输出时间坐标与有序结构，使语义重叠无法冒充定位成功。在7000条类别均衡测试集上，仅有两个后训练变体在同步验证中以0.576和0.571超过0.556的多数类基线，链解析精确率仍近乎为零。结论仅刻画固定输入配置下的系统行为，不支持内部机制推断与跨语言文化外推。原文未披露训练、推理或部署成本。
🔗 开源资源
第三方资源：https://github.com/YapengTian/AVVP-ECCV20 — 链接可访问（HTTP 200）
第三方资源：https://unav100.github.io/ — 链接可访问（HTTP 200）
第三方资源：https://www.nscc.sg — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。