视频大模型

STORM: Internalized Modeling for Spatial-Temporal Reasoning in Video-Language Models

STORM: 视频语言模型中时空推理的内化建模

Yiming Liang, Yixiao Chen, Yiyang Zhou, Yixuan Wang, Shoubin Yu, Andong Deng, Fuxiao Liu, Qin Zhang, Chen Chen, Mohit Bansal, Huaxiu Yao

机构 * Purdue（普渡大学） ； Harvard（哈佛大学） ； UNC（北卡罗来纳大学教堂山分校） ； UCF（佛罗里达大学） ； NVIDIA（英伟达） ； Physion Labs（Physion 实验室） 纠错

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

AI总结 提出STORM框架，通过有界连续潜在轨迹内化推理过程，无需显式文本思维链或外部工具，提升视频推理准确性并降低推理开销。

Test-Time Self-Adaptive Conditioning for Stable Audio-Driven Talking-Head Generation

测试时自适应条件用于稳定音频驱动说话头生成

Zhicheng Zhang, Lei Wang, Yu Zhang, Yongsheng Gao

机构 * School of Business, University of New South Wales (UNSW)（新南威尔士大学商学院） ； School of Engineering and Built Environment, Griffith University（格里菲斯大学工程与环境学院） 纠错

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

AI总结 提出一种无需参数训练的测试时自适应条件框架（TT-SAC），通过反馈循环调整条件表示，提升预训练说话头生成器的身份保持、时间一致性和感知质量。

Comments Research report