**EVA-Cap：通过事件中心对齐优化视听视频描述**

_EVA-Cap: Optimizing Audiovisual Video Captioning via Event-Centric Alignment_

> 针对现有方法将视频描述视为无序文本生成而忽视语义结构的问题，研究提出了 EVA-Cap 框架。该框架将描述分解为原子视听事件，并通过自 curated 数据集 EVA-Data 进行监督微调与策略优化。模型在事件完整性、事件归因及事件同步等三个维度上进行对齐优化，实验表明其在事件中心评估及通用基准测试中均显著优于现有方法。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-16 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.22186)