Temporal Video Understanding in Multimodal LLMs |多模态大语言模型中的视频时间理解综述

这份多模态大语言模型视频时间理解综述,核心指出多模态 LLM 想要看懂视频,难点不在于识别单帧画面物体,而是精准捕捉时间维度信息,包