论文原标题：LLAVIDAL : A Large LAnguage VIsion Model for Daily Activities of Living这是一篇发表在2025年IEEE/CVF计算机视觉与模式识别会议（CVPR）的正式论文，属于多模态大语言模型（MLLM）应用于日常生活活动理解的前沿工作。项目资源位置：https://adl-x.github.io/一、问题背景：1. 现有LLVM在ADL上的“水土不服”现有LLVM的训练数据特点为什么不适合ADL（Activities of Daily Living）网络视频（如Web-scraped）体育剪辑、电影片段、教学视频有严格的时序结构（如“先打羽毛球再休息”是线性的）、背景干净可控、动作单一明确ADL视频（真实生活）厨房做饭、客厅休闲、老人护理没有严格时序（做饭时可能穿插打电话）、多动作并发、背景杂乱、视角多变2. 现有方法的三大缺陷缺陷具体表现后果① 缺乏ADL专用的指令微调数据现有LLVM主要在ActivityNet、WebVid等数据集上训练对ADL特有的“杂乱时序”和“多动作并发”理解差② 缺乏多模态融合只用RGB视频，没有利用3D骨架和物体交互信息无法学习视角不变的表示——换个角度看同一个动作就认不出来了③ 简单的“一键对齐”多模态训练效果差 《LLAVIDAL：一个面向日常生活的大型语言视觉模型》论文核心部分详解
论文原标题：LLAVIDAL : A Large LAnguage VIsion Model for Daily Activities of Living这是一篇发表在2025年IEEE/CVF计算机视觉与模式识别会议（CVPR）的正式论文，属于多模态大语言模型（MLLM）应用于日常生活活动理解的前沿工作。项目资源位置：https://adl-x.github.io/一、问题背景：1. 现有LLVM在ADL上的“水土不服”现有LLVM的训练数据特点为什么不适合ADL（Activities of Daily Living）网络视频（如Web-scraped）体育剪辑、电影片段、教学视频有严格的时序结构（如“先打羽毛球再休息”是线性的）、背景干净可控、动作单一明确ADL视频（真实生活）厨房做饭、客厅休闲、老人护理没有严格时序（做饭时可能穿插打电话）、多动作并发、背景杂乱、视角多变2. 现有方法的三大缺陷缺陷具体表现后果① 缺乏ADL专用的指令微调数据现有LLVM主要在ActivityNet、WebVid等数据集上训练对ADL特有的“杂乱时序”和“多动作并发”理解差② 缺乏多模态融合只用RGB视频，没有利用3D骨架和物体交互信息无法学习视角不变的表示——换个角度看同一个动作就认不出来了③ 简单的“一键对齐”多模态训练效果差 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
