本文提出VideoNet大规模数据集与评测基准,涵盖37个领域的1000种特定动作以评估视觉语言模型,并利用收集的约50万数据微调Molmo2-4B模型,使其在该任务上的性能超越所有开源8B模型。
机构:华盛顿大学
来源:arXiv 2605.02834 | AI4Papers 论文推荐平台