AI 大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
FlashBlock：用于高效长上下文块扩散的注意力缓存
机构 * Monash University（墨尔本大学） ； Zhejiang University（浙江大学）
专题命中 视频扩散模型 ：video generation(abstract)；long video(abstract)；分类 cs.CV
AI总结 研究长内容生成中块扩散在长上下文设置下的注意力计算开销问题，提出FlashBlock机制，利用块外注意力输出稳定性复用注意力，减少计算与缓存访问，提升效率且不影响质量。
用于少步生成建模的感知流匹配
机构 * Joy Future Academy（京东探索研究院） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； USTC（中国科学技术大学）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 提出感知流匹配框架，在感知特征空间监督流匹配，改进少步生成能力，减少采样步骤，无需教师模型和辅助分数网络，实验表明其能产生高质量结果。
激励视觉语言模型进行长视频问答搜索
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 视频问答 ：long video(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 研究将长视频问答从被动单流程感知任务转变为多轮检索过程，核心方法是自然语言驱动搜索及强化学习后训练，贡献是提升长视频理解基准测试分数。
Comments To appear at the European Conference on Computer Vision (ECCV 2026)
ChainReaction：用于模块化和可解释因果关系视频问答的因果链引导推理
机构 * Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（新加坡高性能计算研究所，科技研究局） ； Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore（科技研究局前沿人工智能研究中心，新加坡） ； College of Computing and Data Science, Nanyang Technological University, Singapore（新加坡南洋理工大学计算与数据科学学院）
专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV
AI总结 针对现有因果关系视频问答模型的问题，提出新的模块化范式，将因果推理与答案生成解耦，引入自然语言因果链，介绍两阶段架构及生成因果链方法，新指标，实验证明该方法性能优越。
Comments CVPR 2026
InternVLA-A1.5：统一理解、潜在预见与组合泛化的行动
机构 * Physical Intelligence Team Shanghai AI Laboratory（上海人工智能实验室物理智能团队）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 研究旨在统一机器人操作模型，提出InternVLA-A1.5，基于原生VLM骨干构建策略，将未来预测转化为潜在查询问题，继承预训练视频生成模型动力学先验，在模拟和现实基准测试中效果良好。
Comments Homepage: https://internrobotics.github.io/internvla-a15.github.io/
Worldscape-MoE：用于可扩展异构动作控制的统一专家混合世界模型
机构 * Tsinghua University（清华大学） ； Manifold AI
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 研究视频生成世界模型控制接口碎片化瓶颈，提出基于扩散变换器的专家混合世界模型Worldscape-MoE，通过模态感知控制注入等实现异构动作控制，实验验证其有效性和扩展性。
Comments 36 pages
TimeThink：用于视频语言模型的时间推理
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； OPPO AI Center, OPPO Inc.（OPPO公司OPPO人工智能中心）
专题命中 长视频与时序推理 ：video understanding(abstract)；video reasoning(abstract)；long video(abstract)；分类 cs.CV
AI总结 研究视频推理中模型发现时间证据的问题，提出TimeThink框架，将时间线索步骤作为优化原语，引入奖励和优化目标，构建数据集，实验表明该框架提升了时间定位和推理性能。
Comments 14 pages
Q-GeoMem：面向视频空间推理的问题引导几何记忆
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Lab（上海人工智能实验室） ； Northwestern Polytechnical University（西北工业大学） ； TeleAI
专题命中 长视频与时序推理 ：video-language(abstract)；分类 cs.CV
AI总结 提出Q-GeoMem框架，通过问题引导的几何记忆机制，结合细粒度上下文库和语义几何证据库，在视频空间推理任务中实现最先进性能。
SafeGuard：用于社会风险AI生成视频检测的多智能体感知-推理框架
机构 * University of Science and Technology of China（中国科学技术大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； Vast Intelligence Lab（旷视智能实验室）
专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV
AI总结 针对AI生成视频检测挑战，提出SafeGuard多智能体框架，通过感知求解器与验证器协作，引入SafeVid基准，实验证明其泛化性佳，提升检测准确率。
Comments Accepted to ECCV 2026, The code and dataset are publicly available at https://github.com/williamw99/SafeGuard
STAC：用于视频推理分割的选择性时空聚合与压缩
机构 * School of EEE, Nanyang Technological University, Singapore（新加坡南洋理工大学电气与电子工程学院） ； Institute for Infocomm Research, A*STAR, Singapore（新加坡资讯通信研究院） ； VCIP, CS, Nankai University, Tianjin, China（中国天津南开大学计算机科学学院视觉计算与模式识别实验室） ； AAIS, Nankai University, Tianjin, China（中国天津南开大学人工智能学院） ； NKIARI, Shenzhen Futian, China（中国深圳福田国家知识创新工程研究院） ； Guizhou University, Guizhou, China（中国贵州大学） ； Fudan University, Shanghai, China（中国上海复旦大学）
专题命中 其他视频模型 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 视频推理分割面临高成本问题，现有方法有局限。基于状态空间模型，STAC通过解耦的空间和时间扫描丰富特征，利用冗余进行分层压缩，在零样本流兼容设置下减少令牌、加速并超越基线。
用于视频推理的潜在视觉缓存
机构 * Tencent Youtu Lab（腾讯优图实验室） ； Tsinghua University（清华大学） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
专题命中 其他视频模型 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 研究视频推理中视觉锚定衰减问题，提出潜在视频缓存Latent-VC插入解码器，通过监督对比缓存对齐等训练，在多视频基准测试中表现优于基线，能保留视觉证据提升推理。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈