VidVec: Desbloqueando incrustaciones MLLM de video para la recuperación de video-texto

Resumen del corpus

Se revisan las capacidades de recuperación de video-texto de los Modelos de Lenguaje Grande Multimodales (MLLMs) al analizar su rendimiento *zero-shot*. Se propone una estrategia de optimización ligera basada en texto que mejora la alineación multimodal sin necesidad de datos emparejados. El método propuesto supera a enfoques previos y logra un rendimiento de vanguardia en benchmarks comunes de recuperación de video-texto.