AI 大模型

视频大模型

视频理解、视频生成、视频语言模型和时序视觉推理。

2026-05-04 至 2026-05-04 共收录 3 篇信号源：cs.CV, eess.IV, cs.MM

1. 视频理解 3 篇

2603.22285 2026-05-04 cs.CV 88%

VideoDetective: Clue Hunting via both Extrinsic Query and Intrinsic Relevance for Long Video Understanding

VideoDetective：通过外在查询和内在相关性进行长视频理解的线索搜索

Ruoliu Yang, Chu Wu, Caifeng Shan, Ran He, Chaoyou Fu

机构 * Nanjing University（南京大学）； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）

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VideoDetective框架，通过结合查询与片段的相关性及片段间亲和力，有效定位长视频问答中的关键片段，提升多模态大语言模型在长视频理解中的性能。

2605.00444 2026-05-04 cs.CV 79%

Scaling Video Understanding via Compact Latent Multi-Agent Collaboration

通过紧凑潜在多智能体协作实现视频理解的扩展

Kerui Chen, Jinglu Wang, Jianrong Zhang, Ming Li, Yan Lu, Hehe Fan

机构 * Microsoft Research Asia（微软亚洲研究院）； Zhejiang University（浙江大学）； Guanming Lab（冠明实验室）

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

AI总结本文提出MACF框架，通过解耦智能体感知预算与全局视频复杂度，实现可扩展的视频理解，保持视觉保真度，并在多种视频理解基准上优于现有方法。

Comments 12 pages

2411.02327 2026-05-04 cs.CV 77%

PPLLaVA: Varied Video Sequence Understanding With Prompt Guidance

PPLLaVA：通过提示引导的视频序列理解

Shangkun Sun, Ruyang Liu, Haoran Tang, Yixiao Ge, Haibo Lu, Wei Gao, Jiankun Yang, Chen Li

机构 * Peng Cheng Laboratory（鹏城实验室）； Peking University（北京大学）； XPeng Inc.（小鹏汽车有限公司）； Ministry of Industry and Information Technology of the People’s Republic of China, China Electronics Standardization Institute, Beijing, China（中华人民共和国工业和信息化部，中国电子标准化研究院，北京，中国）

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

AI总结 PPLLaVA通过提示引导的池化策略实现视频序列高效理解，减少18倍token，提升推理效率并在多种视频理解任务中取得最佳性能。

Comments Accepted to ICLR' 26