视频大模型

LongVideo-R1: Smart Navigation for Low-cost Long Video Understanding

LongVideo-R1: 低成本长视频理解的智能导航

Jihao Qiu, Lingxi Xie, Xinyue Huo, Qi Tian, Qixiang Ye

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Huawei Consumer Business Group（华为消费者业务集团） 纠错

专题命中 视频理解 ：video understanding(title,abstract)；long video(title,abstract)；分类 cs.CV

AI总结 本文提出LongVideo-R1，一种基于多模态大语言模型的智能导航系统，通过高效视频上下文导航减少冗余搜索，提升长视频理解的效率与准确性。

Comments 17 pages, 9 figures, 8 tables, accepted to CVPR 2026

SiLVR: A Simple Language-based Video Reasoning Framework

SiLVR：一种简单的基于语言的视频推理框架

Ce Zhang, Yan-Bo Lin, Ziyang Wang, Mohit Bansal, Gedas Bertasius

机构 * Department of Computer Science（计算机科学系） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

专题命中 视频理解 ：video reasoning(title,abstract)；video understanding(abstract)；video-language(abstract)；分类 cs.CV

AI总结 SiLVR通过将复杂视频理解分解为两个阶段，利用多感官输入生成语言表示，并通过强大推理LLM解决复杂视频-语言任务，实现了在多个视频评估任务上的最佳表现。

Comments Accepted by TMLR (01/2026)

Script-a-Video: Deep Structured Audio-visual Captions via Factorized Streams and Relational Grounding

Script-a-Video: 通过因子化流和关系 grounding 实现深度结构化音频视觉描述

Tencent Hunyuan Team

机构 * Tencent Hunyuan Team（腾讯文言团队） 纠错

专题命中 视频理解 ：video generation(abstract)；video understanding(abstract)；分类 cs.CV

AI总结 本文提出MTSS框架，通过因子化流和关系 grounding 解决视频描述中信息耦合问题，提升视频理解与生成性能，实验显示在多个基准测试中均取得显著改进。

Training-Free Semantic Multi-Object Tracking with Vision-Language Models

无需训练的语义多目标跟踪与视觉-语言模型

Laurence Bonat, Francesco Tonini, Elisa Ricci, Lorenzo Vaquero

机构 * Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） 纠错

专题命中 视频理解 ：video-language(abstract)；分类 cs.CV

AI总结 本文提出TF-SMOT，一种无需训练的语义多目标跟踪方法，结合预训练组件生成时间一致的跟踪片段，并通过InternVideo2.5生成视频摘要和实例描述，同时通过语义检索提升交互识别性能。

Comments Accepted to the 20th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2026)