实验效果批注
，
，，，PAM仅使用3B参数
，
，，，就在多个图像和视频明确基准上周全刷新或迫近SOTA
，
，，，且具备更优的推理效率和显存占用
，
，，，真正实现性能与轻量的统一。。。
。。。。 这些模子往往无法直接输出支解效果
，
，，，或需要特殊接入segment模子
，
，，，流程重大；；；；模子体量通常很是重大
，
，，，对盘算资源要求高
，
，，，不适用于轻量化、快速响应的现实场景（如AR/VR、移动端推理等）。。。
。。。。 为支持PAM的训练
，
，，，构建了一个大规模、多条理、高密度的图像与视频语义标注数据集
，
，，，笼罩分类、诠释、形貌、时序事务等多个维度： 对每段视频抽取6要害帧
，
，，，合成为Storyboard名堂的高区分率图像；；；；使用SoM高亮目的区域
，
，，，作为提醒指导；；；；使用闭源VLM举行多帧联合推理
，
，，，天生细节富厚、时间感知强的事务形貌。。。
。。。。 将长视频切分为多个一连不重叠的事务片断每段片断重复Storyboard流程；；；；并在天生形貌时递归引入前一段文字内容
，
，，，让字幕连贯衔接
，
，，，包管上下文一致性。。。
。。。。 别的
，
，，，PAM首创了区域级的流式视频字幕能力
，
，，，不但能一连形貌一个物体的行为
，
，，，还能在一连事务中坚持高度语义一致性
，
，，，展现了强盛的现实应用潜力。。。
。。。。