视频大模型

Inference-Time Temporal Probability Smoothing for Stable Video Segmentation with SAM2 under Weak Prompts

推理时的时间概率平滑用于在弱提示下稳定的视频分割与SAM2

Dawar Jyoti Deka

机构 * Indian Institute of Technology Bombay（印度理工学院班加罗尔） 纠错

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

AI总结 本文提出一种推理时的时间概率平滑方法，提升SAM2视频分割的时序稳定性，无需重训练或修改架构。通过光流运动变形和像素不确定性估计，实现弱提示下的时序一致分割。

Reducing Peak Memory Usage for Modern Multimodal Large Language Model Pipelines

降低现代多模态大语言模型流水线的峰值内存使用

Junwan Kim, Hyunkyung Bae

机构 * New York University（纽约大学） 纠错

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

AI总结 本文提出一种顺序输入压缩机制，在预填充阶段通过结构感知的键值缓存压缩，降低多模态大语言模型的峰值内存使用，同时保持生成性能。

Comments ACL 2026

Long-CODE: Isolating Pure Long-Context as an Orthogonal Dimension in Video Evaluation

Long-CODE：将纯长上下文作为视频评估中的一个正交维度

Zhijiang Tang, Jiaxin Qi, Bing Zhao, Jianqiang Huang

机构 * Hangzhou Institute for Advanced Study, UCAS（浙江大学杭州高等研究院） ； Computer Network Information Center, CAS（中国科学院计算机网络信息中心） ； Department of AI Infrastructure, Bilibili Inc.（B站人工智能基础设施部） 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Long-CODE，通过分离长上下文属性，设计专门的长视频评估框架，解决传统短视频评估指标在长视频中的不足。

Geometry-Guided 3D Visual Token Pruning for Video-Language Models

基于几何的3D视觉标记修剪用于视频-语言模型

Han Li, Zehao Huang, Jiahui Fu, Naiyan Wang, Si Liu

机构 * Beihang University（北京航空航天大学） 纠错

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

AI总结 本文提出Geo3DPruner框架，通过几何感知全局注意力建模跨帧相关性，并采用两阶段修剪过程，保留90%的视觉标记同时保持90%原始性能，优于现有文本引导和视觉引导修剪方法。

Comments Accepted by CVPR 2026