视频大模型

LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling

LongVT: 通过原生工具调用激励'通过长视频思考'

Zuhao Yang, Sudong Wang, Kaichen Zhang, Keming Wu, Sicong Leng, Yifan Zhang, Bo Li, Chengwei Qin, Shijian Lu, Xingxuan Li, Lidong Bing

机构 * MiroMind ； NTU（国立台湾大学） ； HKUST(GZ)（香港科技大学（广州）） ； THU（清华大学） ； LMMs-Lab（LMMs实验室） 纠错

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

AI总结 本文提出LongVT，一种端到端的代理框架，通过交错的多模态工具链式思考实现'通过长视频思考'，通过利用LMM的固有时间定位能力作为原生视频裁剪工具，以解决长视频推理中的幻觉问题，并通过VideoSIAH数据集提升训练和评估效果。

Comments CVPR 2026

Video-o3: Native Interleaved Clue Seeking for Long Video Multi-Hop Reasoning

Video-o3：长视频多跳推理的原生交错线索搜索

Xiangyu Zeng, Zhiqiu Zhang, Yuhan Zhu, Xinhao Li, Zikang Wang, Changlian Ma, Qingyu Zhang, Zizheng Huang, Kun Ouyang, Tianxiang Jiang, Ziang Yan, Yi Wang, Hongjie Zhang, Yali Wang, Limin Wang

机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； SIAT, Chinese Academy of Sciences（中国科学院软件研究所） 纠错

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

AI总结 本研究提出Video-o3框架，通过迭代发现显著视觉线索、细粒度检查关键片段以及适应性终止，提升长视频多跳推理能力，实验表明其在MLVU和Video-Holmes上分别达到72.1%和46.5%的准确率。

Comments 27 pages, 15 figures, 15 tables

WorldKV: Efficient World Memory with World Retrieval and Compression

WorldKV: 通过世界检索和压缩实现高效的world内存

Jung Yi, Minjae Kim, Paul Hyunbin Cho, Wooseok Jang, Sangdoo Yun, Seungryong Kim

机构 * KAIST AI（韩国科学技术院人工智能实验室） ； Naver AI Lab（Naver人工智能实验室） 纠错

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

AI总结 本文提出WorldKV，一种无需训练的框架，通过世界检索和压缩技术，在保持一致性的同时提高效率，实现在Matrix-Game-2.0和LingBot-World-Fast数据集上达到或超越全KV内存保真的性能。

Comments Project Page: https://cvlab-kaist.github.io/WorldKV/