标签: #VLM
用亲手运行、亲手测量的数据来写 Kubernetes、DevOps 与 MLOps · 1 篇
视频-语言模型为什么无法判定：1秒1张、秒级时间戳与网球基准
观看视频并进行口头描述的视频-语言模型（VLM）能否回答「这个回合谁赢了？」这样的问题。根据官方文档，Gemini 默认每秒提取 1 张视频帧，实时的 Live API 每秒 1 张是上限，时间戳以 MM:SS（秒级）处理。60fps 的一帧是 16.7ms，发球两次弹跳的间隔在 0.4 秒左右，因此决定比分的瞬间并没有包含在输入中。在网球视频理解基准测试中，表现最好的模型也仅在 45% 左右（人类为 89%）。因此，TT Score
2026-10-13 · 8 分钟阅读 #TT Score#탁구#영상-언어 모델#VLM#Gemini