视频大模型

TemporalVLM: Video LLMs for Temporal Reasoning in Long Videos

TemporalVLM：长视频中的时间推理视频大语言模型

Fawad Javed Fateh, Umer Ahmed, Hamza Khan, M. Zeeshan Zia, Quoc-Huy Tran

机构 * Retrocausal, Inc.（Retrocausal公司） 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 本文提出TemporalVLM，一种用于长视频时间推理和细粒度理解的视频大语言模型，通过时间感知编码和BiLSTM模块实现全局特征聚合，并引入IndustryASM数据集进行评估。

Comments Accepted to ACL 2026

OASIS: On-Demand Hierarchical Event Memory for Streaming Video Reasoning

OASIS：按需分层事件记忆用于流媒体视频推理

Zhijia Liang, Jiaming Li, Weikai Chen, Yanhao Zhang, Haonan Lu, Guanbin Li

机构 * Sun Yat-sen University（中山大学） ； OPPO AI Center（OPPO人工智能中心） ； Shenzhen Loop Area Institute（深圳河套学院） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东大数据分析与处理重点实验室） 纠错

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

AI总结 OASIS通过结构化按需检索解决流媒体视频推理中记忆检索的挑战，提升长周期准确性和组合推理能力。

Comments Accepted by CVPR 2026

T-REN: Learning Text-Aligned Region Tokens Improves Dense Vision-Language Alignment and Scalability

T-REN：学习文本对齐的区域标记以提高密集视觉-语言对齐和可扩展性

Savya Khosla, Sethuraman T, Aryan Chadha, Alex Schwing, Derek Hoiem

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 T-REN通过文本对齐的区域标记提升密集视觉-语言对齐和可扩展性，实验证明在多个任务中性能提升显著同时大幅降低token数量。

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