arXiv · cs.CL· Jiapeng Shi·· 11 天前AI 评分27
EVA-Cap：通过事件中心对齐优化视听视频字幕生成
EVA-Cap: Optimizing Audiovisual Video Captioning via Event-Centric Alignment
来源与原文
arXiv · cs.CL
作者：Jiapeng Shi
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/2610.22186v1
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
研究者提出 EVA-Cap 框架，将字幕分解为原子视听事件，把非结构化文本监督转为事件中心对齐，并在自建数据集 EVA-Data 上用 SFT 和 GRPO 训练。GRPO 阶段针对全局事件完整性、事件内归因和事件间同步三个目标优化。该模型在 ChronusAV 上平均提升 9.0%，WorldSense 上提升 3.3%，论文已被 NeurIPS 2026 接收并承诺开源代码。
来源：arXiv · cs.CL · arxiv.org