高通团队发布 IVD 基准：VLM 实时面对面问答仍远落后人类

高通研究团队在 arXiv 发布论文与 Qualcomm Interactive Video Dataset（IVD）基准，评估 VLM 能否结合摄像头与麦克风输入对正在发生的场景实时问答。该任务要求用户面对镜头提问、系统实时用视觉与音频作答，现有模型表现远落后人类。论文称在此类数据上微调可显著缩小多项感知技能差距，并分享了训练 VLM 的数据与技巧。