研究评测视觉语言模型在热成像人机交互中理解人类活动的失败模式

Failure Modes of Vision-Language Models for Human Activity Understanding in Thermal HRI

AI 导读 · 根据来源整理

一项 arXiv 预印本研究评测了七个可本地部署的视觉语言模型（含面向物理 AI 与机器人开发的模型）在两个以人为中心的热成像数据集上理解人类活动的表现。诊断任务覆盖细粒度动作识别、活动时间线重建和拒答能力，并以配对 RGB 录像作为性能参照。