视频大模型

Active Video Perception: Iterative Evidence Seeking for Agentic Long Video Understanding

主动视频感知：用于代理长视频理解的迭代证据寻求

Ziyang Wang, Honglu Zhou, Shijie Wang, Junnan Li, Caiming Xiong, Silvio Savarese, Mohit Bansal, Michael S. Ryoo, Juan Carlos Niebles

机构 * Salesforce AI Research（Salesforce AI研究院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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

AI总结 本文提出了一种主动视频感知框架AVP，通过迭代计划-观察-反思过程，主动决定视频内容的观察目标和时间，以提高长视频理解的准确性和效率。

Comments Website: https://activevideoperception.github.io/

VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding

VideoKR：迈向知识和推理密集型视频理解

Lin Fu, Zheyuan Yang, Yang Wang, Tingyu Song, Arman Cohan, Yilun Zhao

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） 纠错

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

AI总结 提出VideoKR，首个大规模训练语料库，通过人工参与的技能导向生成管道构建315K视频推理示例，增强知识和推理密集型视频理解，并在专家标注基准上验证其有效性。

Comments ICML 2026 Spotlight

StoryVideoQA: Scaling Deep Video Understanding with a Large-Scale, Multi-Genre and Auto-Generated Dataset

StoryVideoQA: 通过大规模、多类型和自动生成的数据集扩展深度视频理解

Zhengqian Wu, Zhixian Liu, Aodong Chen, Jingyang Zhang, Ruizhe Li, Hanlin Ge, Zhongyuan Wang, Chunxia Xiao, Chao Liang

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； National Engineering Research Center for Multimedia Software（多媒体软件国家工程研究中心） ； Hubei Key Laboratory of Multimedia and Network Communication Engineering（湖北省多媒体与网络通信工程重点实验室） 纠错

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

AI总结 提出StoryVideoQA数据集和PlotTree方法，通过多智能体协作框架自动生成大规模深度视频理解问答对，并利用层次化情节结构提升复杂故事线推理能力。

Comments Accepted by IJCV 2026

Journal ref International Journal of Computer Vision (2026)

VTI-CoT: Visual-Textual Interleaved Chain of Thought for Video Reasoning

VTI-CoT: 用于视频推理的视觉-文本交织思维链

Shufan Zhang, Ziyue Lin, Bairun Wang, Lei Jin, Xuanding Ding, Xinzhu Ma, Kunlin Yang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Hong Kong（香港大学） ； Beijing Shanwei Zhixing Technology Co., Ltd.（北京尚维智行科技有限公司） ； Tsinghua University（清华大学） ； Beihang University（北航） 纠错

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

AI总结 提出VTI-CoT框架，通过视觉-文本交织的思维链结合OCR压缩技术，提升视频推理准确性和训练效率。

Comments 25 pages, 7 figures

Hier-EgoPack: Hierarchical Egocentric Video Understanding with Diverse Task Perspectives

Hier-EgoPack：具有多样任务视角的层次化眼动视频理解

Simone Alberto Peirone, Francesca Pistilli, Antonio Alliegro, Tatiana Tommasi, Giuseppe Averta

机构 * Department of Control and Computer Engineering（控制与计算机工程系） 纠错

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

AI总结 本文提出Hier-EgoPack，通过引入层次化架构和GNN层，扩展了EgoPack在多粒度时间推理上的能力，有效解决了多种下游任务中的视频理解问题。

Comments Project webpage at https://sapeirone.github.io/hier-egopack

GridPE: A Grid Cell-Inspired Unified Position Embedding for Arbitrary-Dimensional Spaces

GridPE: 一种基于网格细胞的统一位置嵌入方法用于任意维度空间

Boyang Li, Yulin Wu, Nuoxian Huang, Wenjia Zhang

机构 * New York University（纽约大学） ； Peking University（北京大学） ； Imperial College London（伦敦帝国学院） ； Tongji University（同济大学） 纠错

专题命中 视频理解 ：video understanding(abstract)

AI总结 本文提出GridPE，一种受哺乳动物空间认知中六边形周期编码启发的新型位置嵌入框架，旨在解决高维时空任务中位置嵌入的理论保障问题，通过结合计算神经科学原理和调和分析，为任意维度空间提供统一的位置嵌入解决方案。