视频大模型

EFlow: Learning Evidence Flow for Long-Video Reasoning with Adaptive Reflection

EFlow: 学习证据流用于具有自适应反思的长视频推理

Wenhao Zhang, Kuanwei Lin, Xuyi Yang, Wei Gao, Ge Li

机构 * School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 提出EFlow框架，通过分离时间定位与逻辑推理（CoT）及置信度感知的反思机制，解决长视频推理中早期语义假设导致的证据偏差问题，在五个基准上提升性能。

Track and Caption Any Motion: Open-Vocabulary Spatiotemporal Captioning via Trajectory-Conditioned Generation

跟踪并描述任何运动：通过轨迹条件生成实现开放词汇时空字幕

Bishoy Galoaa, Sarah Ostadabbas

机构 * Northeastern University（东北大学） 纠错

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

AI总结 研究提出TCAM框架，无需文本查询和区域提示，通过字幕感知重采样器在点粒度结合跟踪与语言，用现有分割注释训练，能描述视频中运动、定位时间及轨迹，优于密集视频字幕基线，匹配相关方法，为运动驱动视频理解提供新途径。

Your Data Manifold is Secretly a Reward Model: Shell-LCC for Text-to-Video Generation

你的数据流形实际上是一个奖励模型：Shell-LCC 用于文本到视频生成

Shihao Zhang, Yunzhi Li, Yuguang Yan, Junzhe Zhang, Wei Zhao, Bohan Wang, Hanwang Zhang

机构 * Huawei Central Research Institute（华为中央研究院） ； Guangdong University of Technology（广东技术大学） 纠错

专题命中 视频生成 ：text-to-video(title,abstract)；video generation(title)；分类 cs.CV

AI总结 提出 Shell-LCC 方法，通过建模高质量 SFT 数据的流形结构，提供密集、可微且几乎零成本的奖励信号，以提升文本到视频生成质量，减少低层失真。

Comments ECCV 2026

Autonomous Video Generation with Counterfactual Controllability for Self-Evolving World Models

具有反事实可控性的自主视频生成用于自进化世界模型

Xin Wang, Wenxuan Liu, Tongtong Feng, Wenwu Zhu

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出反事实可控性是自进化世界模型的关键，通过自主视频生成实现可控性，使模型能测试动作后果并反馈改进生成。

Comments 10 pages, 1 figure

LightCrafter: PBR-Conditioned Video Diffusion Refinement for Controllable and Consistent Relighting

LightCrafter：用于可控且一致的重光照的PBR条件视频扩散细化

Zixin Guo, Yehonathan Litman, Yifeng He, John Miller, Chuhan Chen, Deva Ramanan

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Bosch Research（博世研究） 纠错

专题命中 视频扩散模型 ：video diffusion(title)；video generation(abstract)；分类 cs.CV

AI总结 研究视频重光照问题，提出LightCrafter混合管道，将其重表述为代理视频转换，利用PBR渲染并结合光度先验，在真实世界重光照基准上优于现有技术，还贡献合成基准及相关资源。

Comments Project page: https://www.zixinguo.me/lightcrafter

NeMo: Needle in a Montage for Video-Language Understanding

NeMo：视频语言理解中的蒙太奇之针

Zi-Yuan Hu, Shuo Liang, Duo Zheng, Yanyang Li, Yeyao Tao, Shijia Huang, Wei Feng, Jia Qin, Jianguang Yu, Jing Huang, Meng Fang, Yin Li, Liwei Wang

机构 * The Chinese University of Hong Kong（香港中文大学） ； Phoenix TV（凤凰电视台） ； Stanford University（斯坦福大学） ； University of Liverpool（利物浦大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 视频问答 ：video-language(title,abstract)；分类 cs.CV

AI总结 为评估视频大语言模型时间理解能力，提出蒙太奇之针（NeMo）任务，开发自动数据生成管道并构建NeMoBench基准，能生成高质量数据，评估了20个模型，展现其能力与局限。

Motubrain: An Advanced World Action Model for Robot Control

MotuBrain: 一种先进的世界动作模型用于机器人控制

Motubrain Team, Chendong Xiang, Fan Bao, Haitian Liu, Hengkai Tan, Hongzhe Bi, James Li, Jiabao Liu, Jingrui Pang, Kiro Jing, Louis Liu, Mengchen Cai, Rongxu Cui, Ruowen Zhao, Runqing Wang, Shuhe Huang, Yao Feng, Yinze Rong, Zeyuan Wang, Jun Zhu

机构 * MotuBrain Team（MotuBrain团队） 纠错

专题命中 动作与事件理解 ：video generation(abstract)

AI总结 MotuBrain提出一种统一的世界动作模型，结合视频和动作，支持多项任务，实现高效部署和高精度控制。

CoVStream: Edge-Cloud Collaboration for Understanding of Long Video Streams

CoVStream: 面向长视频流的边缘-云协作理解

Xu Liu, Guikun Chen, Zihao Yan, Kanzhi Wu, Wenguan Wang

机构 * The State Key Lab of Brain-Machine Intelligence, Zhejiang University（浙江大学脑机智能国家重点实验室） ； vivo Mobile Communication Co., Ltd., Shenzhen, China（深圳 vivo 通信有限公司） 纠错

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

AI总结 提出边缘-云协作框架CoVStream，边缘节点将视频流压缩为视觉特征和语义描述传输至云端，云服务器构建实体图与全局视觉上下文，仅在用户查询时激活大模型，在LVBench上带宽降低87.6%且准确率保持99.2%。

Comments 9 pages

Fre-Res: Frequency-Residual Video Token Compression for Efficient Video MLLMs

Fre-Res: 频率-残差视频令牌压缩用于高效的视频多模态大语言模型

Yigui Feng, Qinglin Wang, Yang Liu, Jie Liu

机构 * College of Computer Science, National University of Defense Technology（计算机科学学院，国防科技大学） ； Shien-Ming Wu School of Intelligent Engineering, South China University of Technology（智能工程谢民明伍学院，华南理工大学） 纠错

专题命中 其他视频模型 ：video reasoning(abstract)；分类 cs.CV

AI总结 Fre-Res通过分离空间和时间信息，实现视频令牌压缩，在保持细节精度的同时提升效率，适用于短时事件和长视频推理。

Comments 24 pages, 5 figures