**EgoCaptioner:首个实现细粒度与时序对齐的开源第一人称视频描述模型**

_EgoCaptioner: Towards Comprehensive and Fine-Grained Egocentric Video Captioning_

> 针对现有多模态大模型在描述第一人称视频时存在的细节缺失、时序混乱及运动误解问题,研究团队提出了 EgoCaptioner。该模型采用“由粗到细”的标注流程,结合视频级概览与带时间戳的时序步骤,并通过基于 GRPO 的策略优化及姿态推导的运动事实监督,显著提升了描述的准确性与时序对齐度。实验表明,EgoCaptioner 在多项基准测试中超越了包括 Gemini 3.1 Pro 在内的专有模型,成为目前开源模型中的性能领先者。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-11-20 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.26380)