آیا هوش مصنوعی واقعاً ویدیوها را درک میکند یا صرفاً بر اساس پیشبینیهای زبانی پاسخ میدهد؟ پژوهشگران در مطالعهای جدید روی ۲۰ مدل بزرگ زبانی (Video LLM) متوجه شدند که بسیاری از این مدلها، حتی بدون دیدن ویدیو و تنها با تماشای یک صفحه سیاه، نتایج مشابهی در آزمونها کسب میکنند!
این تحقیق نشان میدهد که دقت بسیاری از بنچمارکهای فعلی فریبنده است و مدلها در درک بصری (Visual Grounding) ضعف دارند. در واقع، بیشترِ «هوشمندی» مدلها ناشی از دانش زبانی آنهاست، نه تحلیلِ ویدیو. محققان حالا استانداردی به نام VDG را معرفی کردهاند تا واقعاً بفهمیم هوش مصنوعی چقدر ویدیو را درک میکند.
منبع: arXiv:2607.13305
منبع: arXiv AI