研究时空视频定位中的查询不敏感行为

研究发现，当前 SOTA 时空视频定位（STVG）模型在查询与视频无关、甚至完全移除文本输入时，仍能输出看似合理的时空预测。该工作挑战了现有 STVG 模型训练与评测中"每个查询都与输入视频相关"的假设，并进一步分析了这一查询不敏感行为。