arXiv · cs.AI· Songruo Chen·· 14 天前AI 评分37
EgoOmniWorld：以 Ego-Action-World 交互统一第一人称视频理解基准
EgoOmniWorld: Unifying Egocentric Understanding via Ego-Action-World Interactions
来源与原文
arXiv · cs.AI
作者：Songruo Chen
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.18499v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
EgoOmniWorld 提出以 Ego-Action-World 交互回路统一第一人称视频理解，基准按 Node、Edge、Chain、Loop 四种交互结构组织，包含 24,166 组 QA（20,284 训练、3,882 测试）。实验显示开源与闭源多模态大模型在各交互结构上存在明显且不均衡的短板；用该基准训练可提升域内交互理解并泛化到既有第一人称基准。数据、代码与模型将开源。
来源：arXiv · cs.AI · arxiv.org