CameraVLM：超越屏幕的摄像机运动理解

CameraVLM通过联合学习屏幕外运动状态和屏幕内流动动态，提高了视觉语言模型对摄像机运动的识别能力。该模型在三个基准测试和20个基线测试中，以9B参数规模超越了所有开源和特定于摄像机运动的模型，并在一项48名参与者参与的测试中与GPT-6 Astra以及人类观众的表现相当。