论文页面 - AnyGroundBench: 面向视觉语言模型中视频定位的专业领域基准

来源：https://huggingface.co/papers/2607.02269

摘要

视觉语言模型在专业时空视频定位任务中的域适应能力存在不足，暴露了其在零样本泛化和上下文学习能力上的局限性。

视觉语言模型（VLMs）在时空视频定位（STVG）领域展现出巨大潜力。然而，当前的评估方案主要局限于对通用日常生活基准的零样本评估。这与专业领域的实际应用存在严重脱节——在这些领域中，模型不可避免地会遇到罕见的视觉概念和复杂的时空动态。由于对无限数据分布进行穷举预训练不可行，适应新领域的能力至关重要。为弥补这一差距，我们提出了AnyGroundBench，这是一个域适应基准，旨在将STVG评估范式从静态的零样本测试转向严格的域适应评估。该基准针对五个专业领域（动物、工业、体育、手术和公共安全），将新拍摄的视频（例如专家标注的小鼠行为）与已有数据集配对，通过密集、高保真的时空标注将其统一。关键在于，该基准提供了专门的训练子集，以系统性地衡量领域适应能力。我们广泛评估了15个最先进的视觉语言模型，在实际计算约束下评估其零样本泛化和上下文学习（ICL）能力。最终，我们的研究结果表明，当前模型在面对专业领域时，在零样本和基于ICL的适应方面均失败，暴露了时空推理中的关键缺陷，这将是未来研究必须解决的方向。

查看 arXiv 页面 (https://arxiv.org/abs/2607.02269) | 查看 PDF (https://arxiv.org/pdf/2607.02269) | 项目页面 (https://rinost081.github.io/AnyGroundBench-page/) | GitHub1 (https://github.com/rinost081/AnyGroundBench) | 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.02269)

在您的 agent 中获取本文：

hf papers read 2607.02269

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 0

尚无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.02269，以在此页面建立链接。

引用本文的数据集 1

rinost081/AnyGroundBench 查看器 • 更新于约2小时前 • 282 • 25 • 1 (https://huggingface.co/datasets/rinost081/AnyGroundBench)

引用本文的 Spaces 0

尚无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.02269，以在此页面建立链接。

包含本文的收藏集 0

尚无收藏集包含此论文

请将本文添加至一个收藏集 (https://huggingface.co/new-collection)，以在此页面建立链接。