生動画でQwen3を追加学習、画像・動画ベンチマークで向上

Jaedong Hwang氏らは、キャプションのない動画データセット「YT-Temporal-1B」のクリップを使い、Qwen3-1.7Bモデルを追加学習させた。ベースラインモデルと同じ指示チューニングを行った後、動画で追加学習したモデルは、4つの動画ベンチマークの平均で2.9ポイント、10の画像ベンチマークで5.1ポイント高いスコアを記録した。テキスト性能はほぼ変わらず、平均スコアはベースラインの48.0に対して48.9だった。