Ít hơn từ nhiều hơn: Tăng cường suy luận video thưa thớt từ các tham chiếu dày đặc

Đoạn trích bài viết

Các mô hình ngôn ngữ - video thường cho rằng việc có nhiều quan sát theo thời gian hơn sẽ dẫn đến khả năng suy luận đáng tin cậy hơn. Chúng tôi đặt dấu hỏi về giả định này và lập luận rằng thách thức cốt lõi không chỉ đơn thuần là xử lý hiệu quả nhiều khung hình video hơn, mà là học cách suy luận đáng tin cậy dưới bằng chứng thời gian hạn chế.