视频大模型

Gen3R: 3D Scene Generation Meets Feed-Forward Reconstruction

Gen3R：3D场景生成与前馈重建的结合

Jiaxin Huang, Yuanbo Yang, Bangbang Yang, Lin Ma, Yuewen Ma, Yiyi Liao

机构 * Zhejiang University（浙江大学） ； ByteDance Project（字节跳动项目） 纠错

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

AI总结 Gen3R通过结合基础重建模型的强先验与视频扩散模型，实现3D场景生成，生成RGB视频及3D几何数据，实验显示其在单图和多图条件下达到SOTA结果。

Comments Project page: https://xdimlab.github.io/Gen3R/

Taming Video Models for 3D and 4D Generation via Zero-Shot Camera Control

通过零样本相机控制驯服视频模型以实现3D和4D生成

Chenxi Song, Yanming Yang, Tong Zhao, Ruibo Li, Chi Zhang

机构 * AGI Lab, Westlake University（西溪大学AGI实验室） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出WorldForge框架，通过推理时的三重组件实现零样本3D/4D生成，解决视频扩散模型在空间任务中的控制不足问题，提升视觉真实性与轨迹一致性。

Comments Accepted to CVPR 2026. Project Webpage: https://worldforge-agi.github.io/

GigaWorld-Policy: An Efficient Action-Centered World--Action Model

GigaWorld-Policy: 一种高效的以动作为中心的世界-动作模型

Angen Ye, Boyuan Wang, Chaojun Ni, Guan Huang, Guosheng Zhao, Hao Li, Hengtao Li, Jie Li, Jindi Lv, Jingyu Liu, Min Cao, Peng Li, Qiuping Deng, Wenjun Mei, Xiaofeng Wang, Xinze Chen, Xinyu Zhou, Yang Wang, Yifan Chang, Yifan Li, Yukun Zhou, Yun Ye, Zhichao Liu, Zheng Zhu

机构 * GigaAI Project Page（GigaAI项目页） ； GigaWorld Team（GigaWorld团队） 纠错

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

AI总结 本文提出GigaWorld-Policy，通过高效动作解码和可选视频生成，解决世界-动作模型在机器人策略学习中的性能瓶颈问题，实验显示其在实际机器人平台上的运行速度提升9倍，任务成功率提高7%。

Comments Added references

Relax Forcing: Relaxed KV-Memory for Consistent Long Video Generation

放松强制：用于一致长视频生成的放松KV内存

Zengqun Zhao, Yanzuo Lu, Ziquan Liu, Jifei Song, Jiankang Deng, Ioannis Patras

机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Imperial College London（伦敦帝国学院） 纠错

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

AI总结 本文提出Relax Forcing机制，通过结构化时间内存提升长视频生成的运动动态和时间一致性，减少注意力开销。

Comments Project page: see https://zengqunzhao.github.io/Relax-Forcing

Unleashing Video Language Models for Fine-grained HRCT Report Generation

释放视频语言模型以生成细粒度HRCT报告

Yingying Fang, Huichi Zhou, KinHei Lee, Yijia Wang, Zhenxuan Zhang, Jiahao Huang, Guang Yang

机构 * Bioengineering Department, Imperial College London, London, UK School of Biomedical Engineering \& lmaging Sciences, King's College London, London,UK 纠错

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

AI总结 本文提出AbSteering框架，通过异常中心方案和直接偏好优化目标，提升视频语言模型在HRCT报告生成中的精度与细粒度区分能力，优于现有领域特定CT基础模型。

PAS3R: Pose-Adaptive Streaming 3D Reconstruction for Long Video Sequences

PAS3R：面向长视频序列的姿态自适应流式3D重建

Lanbo Xu, Liang Guo, Caigui Jiang, Cheng Wang

机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University, China（人机混合增强智能国家重点实验室，人工智能与机器人研究院，西安交通大学，中国） ； University of East Anglia, Norwich, NR47TJ, United Kingdom（东安格利亚大学，诺里奇，英国） 纠错

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

AI总结 PAS3R通过动态调节状态更新机制，解决流式3D重建中视角变化与结构稳定性矛盾，提升长视频序列的轨迹精度和点云重建质量。

Leum-VL Technical Report

Leum-VL 技术报告

Yuxuan He, Chaiming Huang, Yifan Wu, Hongjun Wang, Chenkui Shen, Jifan Zhang, Long Li

机构 * Hainan Sihe Data Technology Co., Ltd.（海南世和数据技术有限公司） 纠错

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

AI总结 本文提出SV6D框架，通过六维结构化表示解析视频内容，构建Leum-VL-8B模型，在多个基准测试中取得优异成绩，强调视频AI需关注结构表示而非像素生成。

Comments 27 pages, 5 figures

Omni-WorldBench: Towards a Comprehensive Interaction-Centric Evaluation for World Models

Omni-WorldBench：迈向全面的交互导向的世界模型评估

Meiqi Wu, Zhixin Cai, Fufangchen Zhao, Xiaokun Feng, Rujing Dang, Bingze Song, Ruitian Tian, Jiashu Zhu, Jiachen Lei, Hao Dou, Jing Tang, Lei Sun, Jiahong Wu, Xiangxiang Chu, Zeming Liu, Kaiqi Huang

机构 * School of Computer Science and Technology, UCAS（UCAS计算机科学与技术学院） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, CASIA（复杂系统认知与决策智能重点实验室） ； School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； State Key Laboratory of Networking and Switching Technology, BUPT（网络与交换技术国家重点实验室） ； AMAP, Alibaba Group（阿里妈妈实验室，阿里巴巴集团） 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Omni-WorldBench，一个针对4D世界模型交互响应能力的综合评估基准，通过Omni-WorldSuite和Omni-Metrics评估交互动作对状态转移的影响，分析现有模型的局限性。

CataractSAM-2: A Domain-Adapted Model for Anterior Segment Surgery Segmentation and Scalable Ground-Truth Annotation

白内障手术分割与可扩展地面真实标注的领域适应模型CataractSAM-2

Mohammad Eslami, Dhanvinkumar Ganeshkumar, Saber Kazeminasab, Michael G. Morley, Michael V. Boland, Michael M. Lin, John B. Miller, David S. Friedman, Nazlee Zebardast, Lucia Sobrin, Tobias Elze

机构 * Thomas Jefferson High School for Science and Technology（托马斯·杰弗逊高中科学与技术学校） ； Mass Eye and Ear, Harvard Medical School（麻省眼耳研究所，哈佛医学院） ； Harvard Ophthalmology AI Lab, Schepens Eye Research Institute of Mass Eye and Ear, Harvard Medical School（哈佛眼科学人工智能实验室，麻省眼耳研究所的谢普恩斯眼研究学院，哈佛医学院） 纠错

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

AI总结 本文提出CataractSAM-2，一种针对白内障眼科手术视频的实时语义分割模型，结合稀疏提示与视频掩码传播框架，提升标注效率并推动高质量地面真实标注的可扩展生成。

SPKLIP: Aligning Spike Video Streams with Natural Language

SPKLIP：通过自然语言对齐尖峰视频流

Yongchang Gao, Meiling Jin, Zhaofei Yu, Tiejun Huang, Guozhang Chen

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

AI总结 SPKLIP提出了一种专门用于尖峰视频-语言对齐的架构，通过分层尖峰特征提取器和尖峰-文本对比学习实现多尺度时间动态建模，并在稀疏异步输出上实现高效的少样本学习。

Comments A dataset partitioning error occurred and is being corrected

Understanding Temporal Logic Consistency in Video-Language Models through Cross-Modal Attention Discriminability

通过跨模态注意力可区分性理解视频-语言模型中的时间逻辑一致性

Chengzhi Li, Heyan Huang, Ping Jian, Zhen Yang, Yaning Tian, Zhongbin Guo

机构 * School of Computer Science and Technology, Beijing Institute of Technology, Beijing, China（北京理工大学计算机科学与技术学院，北京，中国） ； Beijing Engineering Research Center of High Volume Language Information Processing and Cloud Computing Applications, Beijing Institute of Technology, Beijing, China（高性能语言信息处理与云计算应用北京工程研究中心，北京理工大学，北京，中国） 纠错

专题命中 其他视频模型 ：video-language(title,abstract)；分类 cs.CV、cs.MM

AI总结 研究探讨视频-语言模型在时间逻辑一致性问题上的核心原因，提出TCAS方法提升跨模态注意力的时序分辨能力，实验验证了方法对时间逻辑一致性的提升效果。

Comments Accepted by CVPR 2026