視覺感知

深度分析

EBM‑RL：Eye‑Brain‑Mouth 強化學習框架提升沉浸式影片角色對話的視覺感知與推理解耦

隨著大型語言模型的發展，僅文字的角色對話難以捕捉畫面氛圍。研究提出EBM‑RL框架，將觀察、推理、回應三階段分離，並結合CLIP、感知‑認知、答案正確度與格式四項獎勵，使模型在影片情境下能更符合場景與角色。實驗顯示在多項基準上提升近38%獎勵與28%步驟，並具零樣本遷移能力。