视频大模型

LumosX: Relate Any Identities with Their Attributes for Personalized Video Generation

LumosX：通过身份与属性的关系实现个性化视频生成

Jiazheng Xing, Fei Du, Hangjie Yuan, Pengwei Liu, Hongbin Xu, Hai Ci, Ruigang Niu, Weihua Chen, Fan Wang, Yong Liu

机构 * Zhejiang University（浙江大学） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； Hupan Lab（虎斑实验室） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV

AI总结 LumosX通过结合身份与属性关系，提升多主体个性化视频生成的精细度和一致性，采用数据与模型双改进策略，构建了全面的基准测试平台。

Comments ICLR 2026 Camera Ready Version. Code and Models: https://jiazheng-xing.github.io/lumosx-home/

Stand-In: A Lightweight and Plug-and-Play Identity Control for Video Generation

Stand-In: 一种轻量级且即插即用的身份控制方法用于视频生成

Bowen Xue, Zheng-Peng Duan, Qixin Yan, Wenjing Wang, Hao Liu, Chun-Le Guo, Chongyi Li, Chen Li, Jing Lyu

机构 * WeChat Vision, Tencent Inc.（腾讯微信视觉实验室） ； VCIP, CS, Nankai University（南开大学计算机科学与技术学院） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出Stand-In框架，通过引入条件图像分支和受限自注意力机制，实现轻量级身份控制，仅用1%额外参数和2000训练对即可提升视频质量和身份保持性，并支持多种视频生成任务。

OrbitNVS: Harnessing Video Diffusion Priors for Novel View Synthesis

OrbitNVS: 利用视频扩散先验进行新视角合成

Jinglin Liang, Zijian Zhou, Rui Huang, Shuangping Huang, Yichen Gong

机构 * South China University of Technology（华南理工大学） ； King's College London（伦敦大学国王学院） ； Agentic Labs, XGTech（Agentic实验室，XGTech） ； Pazhou Laboratory（Pazhou实验室） 纠错

专题命中 视频扩散模型 ：video diffusion(title)；video generation(abstract)；分类 cs.CV

AI总结 OrbitNVS将新视角合成重新定义为轨道视频生成任务，通过定制模型设计和训练策略，利用预训练视频生成模型的丰富视觉先验，提升几何和外观一致性，实验表明在GSO和OmniObject3D基准上表现优异。

Comments 26 pages, 10 figures

Making Video Models Adhere to User Intent with Minor Adjustments

通过小幅调整使视频模型符合用户意图

Daniel Ajisafe, Eric Hedlin, Helge Rhodin, Kwang Moo Yi

机构 * Department of Computer Science（计算机科学系） ； The University of British Columbia（不列颠哥伦比亚大学） 纠错

专题命中 视频扩散模型 ：video diffusion(abstract)；text-to-video(abstract)；分类 cs.CV

AI总结 本文通过调整用户提供的边界框以提高视频生成质量和对控制输入的符合度，提出平滑掩码和注意力最大化目标，通过实验验证方法有效性。

Comments Project page and code: https://ubc-vision.github.io/MinorAdjustVideo/docs/webpage/index.html

Narrative Aligned Long Form Video Question Answering

叙事对齐的长视频问答

Rahul Jain, Keval Doshi, Burak Uzkent, Garin Kessler

机构 * Purdue University（普渡大学） ； Amazon（亚马逊） 纠错

专题命中 视频问答 ：video reasoning(abstract)；分类 cs.CV

AI总结 本文提出NA-VQA基准，评估长视频中的深度时间与叙事推理能力，通过88部完整电影和4.4K开放性问题测试模型整合分散叙事信息的能力，提出Video-NaRA框架提升远距离推理性能。

A Multi-Agent Perception-Action Alliance for Efficient Long Video Reasoning

一种多智能体感知-行动联盟用于高效长视频推理

Yichang Xu, Gaowen Liu, Ramana Rao Kompella, Tiansheng Huang, Sihao Hu, Fatih Ilhan, Selim Furkan Tekin, Zachary Yahn, Ling Liu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Cisco Systems（思科系统） 纠错

专题命中 动作与事件理解 ：video reasoning(title,abstract)；long video(title,abstract)；分类 cs.CV

AI总结 本文提出A4VL多智能体感知-行动探索联盟，通过多轮感知-行动探索循环提升长视频推理效率，采用事件驱动划分和线索引导块对齐技术，实现高质量推理并降低推理延迟。

Comments Accepted by CVPR2026

EgoForge: Goal-Directed Egocentric World Simulator

EgoForge：面向目标的自体世界模拟器

Yifan Shen, Jiateng Liu, Xinzhuo Li, Yuanzhe Liu, Bingxuan Li, Houze Yang, Wenqi Jia, Yijiang Li, Tianjiao Yu, James Matthew Rehg, Xu Cao, Ismini Lourentzou

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

专题命中 动作与事件理解 ：long video(abstract)；分类 cs.CV、cs.MM

AI总结 EgoForge通过最小静态输入生成连贯的第一人称视频，结合VideoDiffusionNFT提升意图对齐和时间一致性，实现在动态环境模拟中的优越性能。

CurveStream: Boosting Streaming Video Understanding in MLLMs via Curvature-Aware Hierarchical Visual Memory Management

CurveStream: 通过曲率感知的层次视觉记忆管理提升MLLMs在流媒体视频理解中的性能

Chao Wang, Xudong Tan, Jianjian Cao, Kangcong Li, Tao Chen

机构 * College of Future Information Technology, Fudan University（未来信息科技学院，复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 长视频与时序推理 ：video understanding(title,abstract)；分类 cs.CV

AI总结 CurveStream通过曲率感知的层次视觉记忆管理框架，在流媒体视频理解中实现显著性能提升，实验表明其在多个基准测试中均优于现有方法，达到新状态-of-the-art结果。

VideoSeek: Long-Horizon Video Agent with Tool-Guided Seeking

VideoSeek: 长时程视频代理与工具引导的搜索

Jingyang Lin, Jialian Wu, Jiang Liu, Ximeng Sun, Ze Wang, Xiaodong Yu, Jiebo Luo, Zicheng Liu, Emad Barsoum

机构 * AMD（AMD公司） ； University of Rochester（罗切斯特大学） 纠错

专题命中 长视频与时序推理 ：video understanding(abstract)；video-language(abstract)；分类 cs.CV

AI总结 VideoSeek通过视频逻辑流程主动寻找关键证据，减少帧数使用，提升视频理解能力，实验显示其在视频理解和推理任务中表现优异。

Comments Accepted at CVPR 2026

MME-CoF-Pro: Evaluating Reasoning Coherence in Video Generative Models with Text and Visual Hints

MME-CoF-Pro：基于文本和视觉提示评估视频生成模型中的推理一致性

Yu Qi, Xinyi Xu, Ziyu Guo, Siyuan Ma, Renrui Zhang, Xinyan Chen, Ruichuan An, Ruofan Xing, Jiayi Zhang, Haojie Huang, Pheng-Ann Heng, Jonathan Tremblay, Lawson L. S. Wong

机构 * Northeastern University（东北大学） ； The Chinese University of Hong Kong（香港中文大学） ； Westlake University（西湖大学） ； ByteDance Seed（字节跳动种子） ； Peking University（北京大学） ； NVIDIA（英伟达） 纠错

专题命中 视频数据与评测 ：video reasoning(abstract)；分类 cs.CV

AI总结 本文提出MME-CoF-Pro视频推理基准，评估视频模型的推理一致性，发现生成模型推理一致性弱，文本提示提升正确性但导致不一致，视觉提示在结构化任务中表现较好但难以处理细粒度感知。

Physion-Eval: Evaluating Physical Realism in Generated Video via Human Reasoning

Physion-Eval：通过人类推理评估生成视频的物理真实性

Qin Zhang, Peiyu Jing, Hong-Xing Yu, Fangqiang Ding, Fan Nie, Weimin Wang, Yilun Du, James Zou, Jiajun Wu, Bing Shuai

机构 * Physion Labs（Physion实验室） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Harvard University（哈佛大学） ； Character AI 纠错

专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV

AI总结 本文提出Physion-Eval基准，通过专家人类推理评估生成视频的物理真实性，揭示当前视频生成模型在物理关键场景中存在显著缺陷，83.3%的外向视角和93.5%的内向视角视频存在可识别的物理错误。