识别足球动作是否需要大型视觉语言模型？

传统的基于视频的任务（如足球动作识别）严重依赖视觉输入，通常需要复杂且计算成本高昂的模型来处理密集的视频数据。我们提出从这种以视频为中心的方法转向基于文本的任务，通过利用大型语言模型（LLM）而非视觉语言模型（VLM）使其变得轻量且可扩展。我们认为，提供丰富描述和上下文线索的专家解说包含足够的信息，可以可靠地识别比赛中的关键动作。为了证明这一点，我们采用了一个由三个LLM组成的系统，它们分别专门负责结果、兴奋度和战术，用于识别足球比赛中的动作。我们的实验表明，这种以语言为中心的方法在检测关键比赛事件方面表现有效，其性能接近最先进的基于视频的识别器，同时使用的视频处理计算量为零，处理整场比赛的时间也相近。