AI 大模型

视频大模型

视频理解、视频生成、视频语言模型和时序视觉推理。

2026-08-18 至 2026-08-18 共收录 3 篇信号源：cs.CV, eess.IV, cs.MM

1. 动作与事件理解 3 篇

2608.15869 2026-08-18 cs.CV cs.AI cs.CL cs.LG cs.MM 新提交 81%

超越视觉思维链：用于主动视频推理的内化视觉思维

Xiaoyu Zhu, Xinke Deng, Suresh Taddewadikar, Arnab Kumar Mondal, Zhongyu Jiang, Ian Fasel, Joerg Liebelt

机构 * Apple（苹果公司）

专题命中动作与事件理解：video reasoning(title,abstract)；分类 cs.CV、cs.MM

AI总结该研究提出后训练框架IVT，在训练时内化视觉预测能力，推理时直接生成答案，相较Visual CoT性能相当或更优且延迟降低5倍以上，可实现更高效准确的主动视频推理。

2608.16354 2026-08-18 cs.AI cs.CV 新提交 57%

DriveCache：面向驾驶世界模型推理的动作感知缓存

Jianchun Yang, Jian Liang, Xianda Guo, Pinhan Fu, Yanlun Peng, Conglang Zhang, Wenke Huang, Mang Ye

专题命中动作与事件理解：video generation(abstract)；分类 cs.CV

AI总结针对扩散驾驶生成器吞吐量受限的问题，提出动作感知的DriveCache控制器，利用规划运动与动态规划优化缓存，提升保真度-效率权衡，代码将公开。

Comments 9 pages, 7 figures, 4 tables

2608.15058 2026-08-18 cs.CV 新提交 57%

MEDR：基于多信号事件建模与动态重评分的查询无关帧选择

Xinlei Pu, Weijie Shi, Wen Yang, Yi Cao, Hao Chen, Yuanjun Liu, Wenwei Ding, Jia Zhu, Jiajie Xu

专题命中动作与事件理解：long video(abstract)；分类 cs.CV

AI总结该研究提出无需训练的MEDR帧选择方法，通过多信号事件建模与动态重评分实现查询无关，在Video-MME等基准上提升了多模态大语言模型的长视频处理准确率，且帧集可跨问题复用。

Comments 9 pages, 2 figures, 3 tables