Newest papers

Asking a Multimodal LLM Whether Someone Fell: Zero-Shot Screening of Low-Resolution Thermal Video in a Laboratory and an Occupied Home

Marcos Junca, Mauro Junca · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29913 · open-access PDF

Vietnamese

Máy ảnh nhiệt có thể theo dõi những người già sống một mình mà không chụp khuôn mặt, và các mô hình ngôn ngữ đa phương tiện (LLM) có thể đánh giá một video ngắn mà không cần đào tạo cụ thể về nhiệm vụ. Chúng tôi đánh giá một LLM đa phương tiện sản xuất, Gemini 3.8 Flash ở nhiệt độ 0, như là giai đoạn quyết định của một máy quét rơi kích hoạt sự kiện, được sử dụng chính xác như một nguyên mẫu được triển khai sử dụng nó: một yêu cầu cho mỗi clip nhiệt ngắn, với theo dõi âm thanh của nó khi có một, và người tiền nhiệm của nó Gemini 3.7 Flash trên các yêu cầu tương tự. Trên 438 ngã xuống và 563 cửa sổ không rơi mà chúng tôi đặt bằng tay trong một bộ dữ liệu nhiệt công cộng 32x24

Machine translation (Meta M2M100); the English original follows.

Abstract

Thermal cameras can watch over older people living alone without capturing faces, and multimodal large language models (LLMs) can judge a short video without task-specific training. We evaluate a production multimodal LLM, Gemini 3.8 Flash at temperature 0, as the decision stage of an event-triggered fall screener, used exactly as a deployed prototype uses it: one request per short thermal clip, with its sound track when there is one, and its predecessor Gemini 3.7 Flash on the same requests. On 438 staged falls and 563 non-fall windows that we located by hand in a public 32x24 thermal dataset

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange