EVA-Cap优化视听视频描述对齐

发生了什么

据arXiv cs.CL 10月15日论文，研究者提出EVA-Cap框架，通过将字幕分解为原子视听事件，将非结构化文本监督转化为以事件为中心的对齐。该模型在自建的EVA-Data数据集上通过SFT和GRPO训练，针对全局事件完整性、事件内归因和事件间同步进行优化。实验显示，EVA-Cap在ChronusAV基准上平均提升9.0%，在WorldSense上提升3.3%，显著优于现有方法。