提出MultiToP框架,通过视觉标记补丁机制减少视频大型多模态模型中的幻觉,在Vript-HAL上提升F1分数达50.60%,同时保持通用视频理解能力。
机构:浙大
来源:arXiv 2606.11792 | AI4Papers 论文推荐平台