EVA-Cap：通过事件中心对齐优化视听视频字幕生成

EVA-Cap 框架通过事件中心对齐提升视听视频字幕生成效果，训练使用自建的 EVA-Data 数据集及监督微调（SFT）和组相对策略优化（GRPO）方法。在事件中心评估中，EVA-Cap 相比现有方法平均提升 9.0%（如在 ChronusAV 上），并在通用视听字幕基准测试中表现优异（如在 WorldSense 上提升 3.3%）。该方法强调视频语义结构，实现更精细的视听对齐。