TimeChat: نموذج لغوي كبير متعدد الوسائط حساس للزمن لفهم الفيديوهات الطويلة

يقترح هذا العمل نموذج TimeChat، وهو نموذج لغوي كبير متعدد الوسائط حساس للزمن ومصمم خصيصًا لفهم الفيديوهات الطويلة. يضم نموذجنا مساهمتين هيكليتين رئيسيتين: (1) مُشفر إطار يعتمد على زمن الظهور (timestamp-aware frame encoder) يقوم بربط المحتوى البصري بزمن ظهور كل إطار، و(2) قِدَام فيديو متحرك (sliding video Q-Former) ينتج سلسلة رموز فيديو بأطوال متغيرة لتلبية احتياجات الفيديوهات ذات المدد المختلفة. بالإضافة إلى ذلك، قمنا ببناء مجموعة بيانات للتوجيه التعليمات تشمل 6 مهام بإجمالي 125 ألف حالة، بهدف تعزيز أداء TimeChat في اتباع التعليمات. تظهر نتائج التجارب عبر مختلف مهام فهم الفيديو، مثل التسمية الكثيفة والترقيم الزمني واكتشاف النقاط الرئيسية، قدرات TimeChat القوية في التوطين الزمني الصفر (zero-shot temporal localization) والتفسير. على سبيل المثال، حقق +9.2 درجة F1 و+2.8 درجة CIDEr على YouCook2، و+5.8 HIT@1 على QVHighlights، و+27.5 R@1 (IoU=0.5) على Charades-STA، بالمقارنة مع أفضل النماذج اللغوية الكبيرة للفيديو الحالية، مما يشير إلى إمكانية استخدامه كمساعد فيديو متعدد الأغراض لمهام فهم الفيديوهات الطويلة وتلبية المتطلبات الواقعية للمستخدمين.