视频大模型

Video Streaming Thinking: VideoLLMs Can Watch and Think Simultaneously

视频流思考：VideoLLMs可以同时观看和思考

Yiran Guan, Liang Yin, Dingkang Liang, Jianzhong Ju, Zhenbo Luo, Jian Luan, Yuliang Liu, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； MiLM Plus Xiaomi Inc.（小米公司） 纠错

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

AI总结 VST提出了一种视频流理解的新范式，通过在流式过程中激活推理，提高实时响应和理解能力，同时在多个基准测试中表现出更高的效率和泛化能力。

Comments Accepted by ECCV 2026, project page https://1ranguan.github.io/VST/

GeCo: Evaluating Geometric Consistency for Video Generation via Motion and Structure

GeCo：通过运动和结构评估视频生成的几何一致性

Leslie Gu, Junhwa Hur, Charles Herrmann, Fangneng Zhan, Todd Zickler, Deqing Sun, Hanspeter Pfister

机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； MIT（麻省理工学院） 纠错

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

AI总结 GeCo通过融合残差运动和深度先验，检测静态场景中的几何变形和遮挡不一致问题，并用于评估视频生成模型的性能与缺陷。

Rethinking Reward Signals in Video GRPO: When Scores Become Targets

重新思考视频GRPO中的奖励信号：当分数成为目标

Rui Li, Yuanzhi Liang, Ziqi Ni, Haibin Huang, Chi Zhang, Xuelong Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Southeast University（东南大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究院（TeleAI），中国电信） 纠错

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

AI总结 本文提出TaRoS框架，通过组件级评估和组内稀疏性解决GRPO中奖励信号失真问题，提升视频生成的视觉质量和对齐性。

Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding

生成模型了解空间：解锁隐式3D先验用于场景理解

Xianjin Wu, Dingkang Liang, Tianrui Feng, Kui Xia, Yumeng Zhang, Xiaofan Li, Xiao Tan, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； Baidu Inc.（百度公司） 纠错

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

AI总结 本文提出通过大规模视频生成模型的隐式空间先验提升场景理解，引入VEGA-3D框架，利用预训练视频扩散模型作为潜在世界模拟器，通过时空特征提取与语义融合增强大语言模型的几何信息，实验验证其在3D场景理解、空间推理和具身操控中的优越性。

Comments Accepted by ECCV 2026

LVSum: A Benchmark for Timestamp-Aware Long Video Summarization

LVSum：一个用于时间感知长视频摘要的基准测试

Alkesh Patel, Melis Ozyildirim, Ying-Chang Cheng, Ganesh Nagarajan

机构 * Apple（苹果公司） 纠错

专题命中 视频数据与评测 ：long video(title,abstract)；分类 cs.CV

AI总结 本文提出LVSum基准测试，用于评估长视频摘要中时间对齐的性能，通过引入新的评估指标揭示现有MLLM在时间理解上的系统性差距。

Comments 25 pages, 5 tables, 3 figures

A Comprehensive Survey on Video Scene Parsing:Advances, Challenges, and Prospects

视频场景解析的全面综述：进展、挑战与展望

Guohuan Xie, Syed Ariff Syed Hesham, Wenya Guo, Bing Li, Ming-Ming Cheng, Guolei Sun, Yun Liu

机构 * College of Software, Nankai University Tianjin China ； School of Electrical ； Electronic Engineering, NTU \& Institute for Infocomm Research, A STAR Singapore ； School of Information ； College of Computer Science, Nankai University Tianjin China ； VCIP, College of Computer Science, Nankai University Tianjin China ； Academy for Advanced Interdisciplinary Studies, Nankai University Tianjin China ； Nankai International Advanced Research Institute Shenzhen Futian China ； College of Software, Nankai University ； Electronic Engineering, NTU \& Institute for Infocomm Research, A STAR ； College of Computer Science, Nankai University ； VCIP, College of Computer Science, Nankai University ； Academy for Advanced Interdisciplinary Studies, Nankai University ； Nankai International Advanced Research Institute 纠错

专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV

AI总结 该综述对视频场景解析在五项任务上的进展进行梳理，涵盖从手工线索到基础模型方法的文献架构，分析各方法特点，比较相关数据集等，指出设计权衡和失败模式，并给出未来发展方向。