AI 大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
MultiHaystack：用于40,000张图像、视频和文档的多模态检索和推理的基准测试
机构 * INSAIT ； Lanzhou University（兰州大学） ； King Abdullah University of Science and Technology（国王阿卜杜勒-阿齐兹科学与技术大学） ； Heriot-Watt University（赫瑞-沃德大学） ； Monash University（莫纳什大学） ； University College Dublin（都柏林大学学院）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 MultiHaystack是首个评估大规模异构多模态检索与推理的基准测试，揭示了MLLMs在异构语料库中检索证据时的性能瓶颈。
Think-as-You-See: 为大视觉-语言模型设计的流式推理链式思维
机构 * Institute of Digital Twin, Eastern Institute of Technology（数字孪生研究院，东技术学院） ； Ocean University of China（中国海洋大学） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Munich Center for Machine Learning, LMU Munich（慕尼黑机器学习中心，慕尼黑大学） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative（宁波空间智能与数字衍生关键实验室）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 TaYS为大视觉-语言模型设计了流式推理链式思维框架，通过并行化生成、流约束训练和解耦的KV缓存，提升视频理解的效率和响应性。
物理模拟器闭环视频生成
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Singapore University of Technology and Design（新加坡科技设计大学） ； A*STAR（新加坡科技研究局） ； Google（谷歌） ； Saarbrücken Research Center for Visual Computing, Interaction and Artificial Intelligence（斯图加特视觉计算、交互与人工智能研究中心）
专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 PSIVG通过整合物理模拟器与扩散模型，生成符合物理规律的视频，提升生成视频的真实性和一致性。
Comments Accepted to CVPR 2026
EmboAlign：通过组合约束对齐视频生成以实现零样本操控
机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学）
专题命中 视频生成 ：video generation(title)
AI总结 EmboAlign通过视觉语言模型生成组合约束，对齐视频生成模型输出，提升零样本机器人操控的成功率。
CanvasMAR: 通过Canvas提升遮蔽自回归视频预测
机构 * Institute for Artificial Intelligence, Peking University, Beijing, China（人工智能研究院，北京大学，北京，中国） ； School of Intelligence Science and Technology, Peking University, Beijing, China（智能科学与技术学院，北京大学，北京，中国） ； State Key Laboratory of General Artificial Intelligence, Peking University, Beijing, China（通用人工智能国家重点实验室，北京大学，北京，中国）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 CanvasMAR通过引入canvas机制和运动感知采样顺序，提升视频生成的保真度和效率，实现更高质量的视频生成。
GenHOI：面向对象一致性的手-物体交互方法，采用时间平衡和空间选择性的对象注入
机构 * Department of Computer Vision Technology(VIS), Baidu Inc.（百度公司计算机视觉技术部） ； Shenzhen Campus of Sun Yat-Sen University（中山大学深圳校区） ； Northwestern Polytechnical University（西北工业大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 GenHOI通过时间平衡和空间选择性的对象注入方法，提升手-物体交互在现实场景中的生成一致性与保真度。
SPARK：通过协同提示音频与重新上下文化知识实现T2V模型的劫持
机构 * State Key Laboratory of Complex \& Critical Software Environment, Beihang University ； College of Science, Mathematics ； Technology, Wenzhou-Kean University ； 360 AI Security Lab ； Faculty of Innovation Engineering, Macau University of Science ； Hong Kong University of Science ； University of Chinese Academy of Sciences
专题命中 视频生成 ：text-to-video(abstract)；分类 cs.CV
AI总结 SPARK通过模块化提示设计，利用音频与视觉关联模式，实现对T2V模型的高效劫持，提升攻击成功率23%。
DreamToNav: 通过生成式视频规划实现通用机器人导航
机构 * Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology（智能空间机器人实验室，斯克尔科夫科学与技术研究所）
专题命中 视频生成 ：video generation(abstract)
AI总结 DreamToNav通过生成式视频规划实现通用机器人导航，利用自然语言提示生成精确运动路径，实现目标导向的自主导航。
Comments Submitted to conference
NEGATE: 用于文本到视频扩散中的语义约束指导以处理语言否定
机构 * University of Maryland at College Park（马里兰大学 College Park 分校）
专题命中 视频扩散模型 ：video diffusion(title)；text-to-video(title)；分类 cs.CV
AI总结 本文提出了一种基于扩散模型的语义约束指导方法，用于处理文本到视频生成中的语言否定问题，通过结构化约束实现否定的统一建模。
Comments 50 pages, 32 figures
LikePhys: 通过似然偏好评估视频扩散模型中的直观物理理解
机构 * University of Oxford（牛津大学） ； MBZUAI（穆斯林人工智能研究所） ； University of Chicago（芝加哥大学） ； UWE Bristol（布里斯托尔大学）
专题命中 视频扩散模型 ：video diffusion(title,abstract)；分类 cs.CV
AI总结 LikePhys通过似然偏好评估视频扩散模型的直观物理理解，展示其与人类偏好一致，优于现有基线，并揭示模型设计和推理设置对物理理解的影响。
Comments 23 pages, 9 figures, Project Page: https://yuanjianhao508.github.io/LikePhys/
Journal ref ICLR 2026
DVD-Quant: 数据无依赖的视频扩散变换器量化
机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； ETH Zürich（苏黎世联邦理工学院）
专题命中 视频扩散模型 ：video diffusion(title)；video generation(abstract)；分类 cs.CV
AI总结 DVD-Quant通过无数据量化框架实现视频DiT模型的高效量化，提升运行速度并保持视觉质量。
Comments Code and models will be available at https://github.com/lhxcs/DVD-Quant
去噪作为路径规划：通过DPCache实现扩散模型的训练免费加速
机构 * Alibaba Group（阿里巴巴集团）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 DPCache通过全局路径规划框架实现扩散模型的高效加速，减少计算开销并提升生成质量。
Comments Accepted by CVPR 2026
基于空间代码的物理世界视频推理
专题命中 视频问答 ：video reasoning(title)；分类 cs.CV
AI总结 基于空间代码的物理世界视频推理方法，通过空间编码器生成3D表示并提升大语言模型的推理能力。
Comments Code at https://github.com/Beckschen/spatialcode
NarrLV: 向长视频生成的综合性叙事导向评估迈进
机构 * UCAS ； CASIA（中国科学院自动化研究所） ； AMAP, Alibaba Group（阿里云实验室） ； NTU（国立科技大学） ； PKU（北京大学）
专题命中 长视频与时序推理 ：video generation(title,abstract)；long video(title,abstract)；分类 cs.CV
AI总结 NarrLV是首个针对长视频生成模型的综合性叙事评估基准，通过引入时间叙事原子和基于MLLM的评估指标，全面评估模型在叙事表达上的能力。
Comments Project Page: https://amap-ml.github.io/NarrLV-Website/
SpatialMem: 用于语言定位和问答的度量对齐长周期视频记忆
机构 * University of Bristol（布里斯托大学） ； Memories.ai Research（Memories.ai研究院）
专题命中 长视频与时序推理 ：video understanding(abstract)；分类 cs.CV
AI总结 SpatialMem通过构建度量对齐的空间支架，实现长周期视频记忆的可解释检索与问答，支持语言引导的检索和离线导航任务。
StreamWise: 实时大规模多模态生成服务
机构 * Microsoft Azure Research（微软Azure研究院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
专题命中 长视频与时序推理 ：video generation(abstract)
AI总结 StreamWise通过实时播客视频生成，整合LLM、文本转语音和视频音频生成，实现高效多模态实时服务，兼顾延迟、成本和质量。
UniVBench：迈向统一评估视频基础模型
机构 * Zhejiang University（浙江大学） ； ByteDance（字节跳动） ； Zhejiang Lab（浙江实验室）
专题命中 视频数据与评测 ：video generation(abstract)；video understanding(abstract)；分类 cs.CV
AI总结 UniVBench通过统一评估系统和多任务视频任务，首次提供衡量视频基础模型综合能力的框架。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈