视频大模型

AdaptToken: Entropy-based Adaptive Token Selection for MLLM Long Video Understanding

AdaptToken: 基于熵的自适应令牌选择用于多模态大语言模型长视频理解

Haozhe Qi, Kevin Qu, Mahdi Rad, Rui Wang, Alexander Mathis, Marc Pollefeys

机构 * Microsoft Spatial AI Lab（微软空间人工智能实验室） ； EPFL（瑞士联邦理工学院洛桑） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 AdaptToken通过利用模型自不确定性实现全局控制信号，提升多模态大语言模型对长视频的理解能力，通过熵信号分配令牌预算并支持提前停止，提升准确率并减少推理时间。

Comments Project page: https://haozheqi.github.io/adapt-token

SAGE: Training Smart Any-Horizon Agents for Long Video Reasoning with Reinforcement Learning

SAGE：基于强化学习训练长视频推理的智能任意时间范围智能体

Jitesh Jain, Jialuo Li, Zixian Ma, Jieyu Zhang, Chris Dongjoo Kim, Sangho Lee, Rohun Tripathi, Tanmay Gupta, Christopher Clark, Humphrey Shi

机构 * Allen AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） 纠错

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

AI总结 本文提出SAGE系统，通过多轮推理处理长视频并单轮处理简单问题，结合Gemini-2.5-Flash生成合成数据，提出RL后训练方案，并通过SAGE-Bench验证系统有效性，提升视频推理性能达6.1%。

Comments Project Page: https://praeclarumjj3.github.io/sage/

LogiStory: A Logic-Aware Framework for Multi-Image Story Visualization

LogiStory: 一个多图像故事可视化逻辑感知框架

Chutian Meng, Fan Ma, Chi Zhang, Jiaxu Miao, Yi Yang, Yueting Zhuang

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

AI总结 本文提出LogiStory框架，通过显式建模视觉逻辑提升多图像故事可视化中的叙事逻辑与视觉质量，引入多智能体系统和LogicTale基准测试集进行评估。

Robust Ego-Exo Correspondence with Long-Term Memory

具有长期记忆的鲁棒自体-外体对应

Yijun Hu, Bing Fan, Xin Gu, Haiqing Ren, Dongfang Liu, Heng Fan, Libo Zhang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； University of North Texas（北德克萨斯大学） ； Institute of Software Chinese Academy of Sciences（中国科学院软件研究所） ； Rochester Institute of Technology（罗切斯特理工学院） 纠错

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

AI总结 本文提出基于SAM 2的新型EEC框架，通过双记忆架构和自适应特征路由模块提升长期记忆能力，实现更鲁棒的自体-外体对应。

Comments Accepted by NeurIPS 2025