复旦联合OPPO提出EVA-Cap视听视频描述框架

2026年10月16日，据 AGI Hunt 报道，复旦大学可信具身智能研究院联合 OPPO AI 中心提出 EVA-Cap，用事件中心对齐框架改进全模态语言模型（OLM）的视听视频描述。该框架把字幕分解为原子视听事件，将非结构化文本监督转为事件中心对齐信号；并在自建 EVA-Data 数据集上先做 SFT，再用 GRPO 针对三个事件中心指标优化，以提升细粒度视听对齐。目前为该框架的提出与介绍阶段，报道未提及后续进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。