LASER 通过预测下一步变化读懂视频状态

LASER 预印本提出一种视频物体状态读取方法。面对连续画面和指定物体，系统先设想下一步可能发生的变化，再提出针对当前画面的视觉问题。

得到属性记录后，系统用后续帧的独立观察检验预测，逐步修正状态描述。文本形式的观察技能可以依据训练样本的错误改进，模型参数在适配和推理中保持冻结。

作者在 OSCaR 和 PLM RCap 上报告相较基线的改进。实验关注状态描述是否完整、是否与参考事实冲突，相关技能在正式评测时固定。

来源：arXiv 原文。

图片来源：论文作者 / arXiv。