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。
Omni-LiveAvatar：分钟级实时流式视听联动数字人生成
专题命中 长视频与时序推理 ：video diffusion(abstract)；分类 cs.CV、cs.MM
AI总结 本研究提出Omni-LiveAvatar框架，通过渐进式自回归蒸馏等技术，实现分钟级实时流式视听联动数字人生成，速度较LTX-2提升33倍且性能优于基线模型。
跨极端复杂度和质量尺度的增强型神经视频表示压缩
机构 * Visual Information Lab, University of Bristol, UK（布里斯托大学视觉信息实验室，英国） ； Network Connectivity Services Research, BT, UK（BT公司网络连接服务研究，英国）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV、eess.IV
AI总结 提出NVRC++，一种基于隐式神经表示的轻量级视频编解码器，通过多分辨率特征网格和高效优化框架，在多种复杂度级别下实现宽比特率范围的高质量压缩，支持实时解码。
Avatar-Forever：用于高质量实时无限虚拟形象的解耦并行训练
机构 * The Hong Kong Polytechnic University（香港理工大学） ； ByteDance（字节跳动） ； AMD（超威半导体公司）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 Avatar-Forever是一种解耦并行训练框架，通过双分支设计与ForeverCache机制，在单张H100 GPU上实现27.2 FPS的768x512音频驱动无限虚拟形象生成，保障质量与效率，推进稳定数字人研究。
ChronoVision：基于潜在状态重构的时序推理
专题命中 长视频与时序推理 ：video reasoning(abstract)；分类 cs.CV
AI总结 针对多模态大语言模型时序推理不足的问题，本文提出ChronoVision框架，引入Vbvr-VQA数据集，实验显示其在相关基准上取得最优性能。
RUTA：基于率-效用优化的原则性视觉令牌分配方法
机构 * City University of Hong Kong（香港城市大学） ； Google Inc.（谷歌公司）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 针对视觉语言模型因长视觉令牌序列导致的LLM侧计算和内存成本过高问题，提出RUTA方法，仅用2.0%、4.2%的视觉令牌，分别在LLaVA-NeXT-7B、Qwen3-VL-8B上保留88.2%、94.4%的任务性能。
JoyAI-Video-Edit：基于自回归扩散的实时开放式视频编辑
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 研究针对实时视频编辑的低延迟、时序一致等需求，提出160亿参数的JoyAI-Video-Edit自回归扩散框架，结合多种蒸馏技术，在单张Nvidia B200 GPU上实现约30 FPS的720p视频编辑，性能优于现有流式编辑器且与离线系统相当。
Comments Code: https://github.com/jd-opensource/JoyAI-Video-Edit
Qwen-3D：用于空间理解的通用三维视觉语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 本研究提出 Qwen-3D 三维视觉语言模型，通过多视角几何线索与三维旋转位置嵌入提升空间推理，在三维任务上超越现有 3D LMM，还保持二维任务性能。
Comments Project Page: https://qwen-3d.github.io/
LiveLight：具备交互式控制的实时流视频重光照
机构 * HKUST（香港科技大学） ； University of Macau（澳门大学） ； THU（清华大学） ； UoT（多伦多大学） ； University of Tuebingen（蒂宾根大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 本研究提出首个基于扩散模型的实时流视频重光照框架LiveLight，通过三项关键设计解决三大挑战，在实时速度下达到最优重光照质量，将公开发布相关资源以推动该领域研究。
Comments Accepted by TOG 2026. Project page: https://living-lighting.github.io
ReToken：用一个标记改进用于视觉检索的视觉-语言模型
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Microsoft Research（微软研究院） ； Google DeepMind（谷歌DeepMind）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 该研究提出轻量级ReToken，通过选择视觉键值缓存中与查询相关的稀疏标记解决长视觉上下文的视觉检索难题，在多基准测试中提升Qwen3VL-8B等模型性能，且可在单H100运行。
Comments Code: https://github.com/avaxiao/ReToken
视频模型的视觉提示工程
专题命中 长视频与时序推理 ：video reasoning(abstract)；分类 cs.CV
AI总结 研究视频模型能否从视觉提示工程中受益，通过自动修改任务图像提升性能，如视觉物理推理任务。发现视觉提示工程（VIPE）能提高视频推理性能，比传统方法更有效，为提升视频模型视觉推理性能提供简单高效途径。
TaoMate：用于实时音频-视频数字人生成的锚点引导内存桥接演化和参考状态
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 研究实时长格式数字人生成问题，提出TaoMate框架，通过锚点引导、内存桥接等方法，在保持稳定外观和视听同步下，实现少步联合音频-视频生成，且能跨块并行执行加速自回归推理。
LPM：工业规模的生成式视频修复
机构 * Kuaishou Technology（快手科技）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 研究提出工业规模的LPM用于视频修复，通过统一系统解决UGC退化问题，含数据工程、模型训练和推理。其架构等机制实现高保真修复，已在快手生产应用，节省带宽成本，还能集成产品，证明该方法实用、可扩展且具成本效益。
Comments 21 pages, 7 figures
WanToFight：用于多人战斗交互的实时生成游戏引擎
机构 * Alibaba Tongyi Lab（阿里巴巴通义实验室）
专题命中 长视频与时序推理 ：video diffusion(abstract)；分类 cs.CV
AI总结 WanToFight是用于多人战斗交互的实时生成游戏引擎，基于Wan-1.3B视频扩散变换器构建三个组件，解决了先前引擎未共同处理的问题，能结合多种玩法，在特定配置下维持30FPS，是首个此类集成系统。
Comments Project Page: https://humanaigc.github.io/wantofight/
StoryTeller：用于长格式音频描述的免训练叙事接地
机构 * Dartmouth College（达特茅斯学院）
专题命中 长视频与时序推理 ：video-language(abstract)；分类 cs.CV
AI总结 研究针对长格式音频描述问题，提出免训练的StoryTeller框架。它通过维护叙事记忆跨场景传递信息，仅用原始视频和标题，经语义过滤等确保信息准确。引入StoryAD-QA基准测试，实验证明该框架显著提升了叙事相关能力。
Comments Accepted to the European Conference on Computer Vision (ECCV) 2026
视频语言模型真的在观看吗？诊断长视频中的角色跟踪失败
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 研究视频语言模型在长视频中跟踪角色的能力，通过九条件诊断协议测试三个开源模型及Gemini，发现模型准确性非来自角色跟踪，存在性别线索利用问题，还发布诊断工具包揭示基准分数衡量的实际情况。
LIST3R: 长序列实例感知三维重建
机构 * Beijing Jiaotong University（北京交通大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 提出LIST3R框架，通过实例锚点组织长序列三维重建，将子序列局部观测整合为全局一致场景，在长序列基准上实现更优轨迹与重建质量。
开放世界视频分割
机构 * University of Connecticut（康涅狄格大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 提出Savvy系统，结合分层掩码发现、延迟接纳和轨迹整合，实现零样本开放世界长时视频分割；并设计粒度感知评估套件OGA，采用n:1匹配协议，解决传统1:1匹配对开放世界方法的不公平惩罚问题。
MaineCoon: 追求实时音视频社交世界模型
机构 * Catnip AI Team（Catnip AI团队）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 提出MaineCoon，首个22B参数的实时音视频自回归模型，支持单GPU上高达47.5 FPS的流式生成和亚秒级交互，专为社交互动应用优化，引入自重采样、跨模态对齐、领域偏好优化和强化在线策略蒸馏等技术。
Comments 32 pages, 13 figures, 3 tables
TivTok：广播时间不变令牌以实现可扩展视频分词
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Department of Automation, Tsinghua University（清华大学自动化系） ； Kuaishou Technology（快手科技）
专题命中 长视频与时序推理 ：video generation(abstract)；分类 cs.CV
AI总结 提出TivTok，一种可重用感知的视频分词器，通过时间不变（TIV）和时间变化（TV）令牌分解视频，实现高效压缩和长视频建模，在标准基准上rFVD达12.65，压缩效率提升2.91倍。
通过候选感知因果推理增强教学视频中的时间答案定位
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV
AI总结 提出候选感知因果推理框架，通过视觉-语言预训练候选选择和基于GRPO的时序逻辑推理，解决教学视频中复杂问题理解和长视频片段定位挑战，在六个基准上取得最优mIoU。
AVIS: 视觉语言模型的自适应测试时缩放
机构 * AI Center-Toronto, Samsung Electronics（三星电子多伦多AI中心） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； York University（约克大学）
专题命中 长视频与时序推理 ：video reasoning(abstract)；分类 cs.CV
AI总结 提出AVIS，通过轻量策略联合优化视觉上下文缩放和推理缩放，利用无训练的关键多样性剪枝和自适应自一致性，在多种基准上提升精度-计算权衡。
Comments Project page: https://avis-vlm.github.io/
Echo-Memory：动作世界模型中记忆的受控研究
机构 * Joy Future Academy（京东探索研究院）
专题命中 长视频与时序推理 ：video diffusion(abstract)；分类 cs.CV
AI总结 提出Echo-Memory框架，通过控制变量法研究动作条件世界模型中的记忆机制，发现原始上下文容量和块状状态空间递归对开放域返回任务至关重要。
Comments 9 figures and 28 pages, Code at \href{https://github.com/Echo-Team-Joy-Future-Academy-JD/Echo-Memory}{this URL}
RRM：用于长周期多模态推理的经验驱动反思式检索记忆
专题命中 长视频与时序推理 ：long video(abstract)
AI总结 该研究针对现有多模态长期智能体检索机制不足的问题，提出RRM框架，通过反思式经验记忆提炼跨任务检索策略，在多个多模态推理数据集上取得优于现有方法的性能。
阿莱雅世界：交互式长视野世界建模——完整技术报告
机构 * Alaya Lab（阿莱亚实验室）
专题命中 长视频与时序推理 ：video diffusion(abstract)
AI总结 研究旨在创建交互式视频世界模型，核心方法是基于15B视频扩散变压器构建阿莱雅世界，通过自回归生成短潜在块等实现多种能力，在iWorld - Bench上长视野生成性能最佳，为相关研究提供开源可扩展基础。
Comments Authors are listed alphabetically by the first name and their role. See the contribution section for details
SurgAtlas：一个包含2,391小时开放和微创手术的大规模手术视频-语言数据集
机构 * University of Michigan（密歇根大学） ； University of Edinburgh（爱丁堡大学） ； Vanderbilt University Medical Center（范德比尔特大学医学中心） ； University of Colorado（科罗拉多大学） ； University of Rochester（罗切斯特大学） ； Michigan Medicine（密歇根医学）
专题命中 视频数据与评测 ：video-language(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 提出SurgAtlas，最大手术视频-语言数据集（15,291视频，2,391小时，18专科，5,000+术式），首次大规模纳入开放手术并建立基准，通过多层级自动标注管道生成丰富注释，微调Qwen3-VL-8B在多个基准上达到领先。
我在视频中寻找你：面向以人为中心的视频推理的身份条件查询
机构 * Beijing Jiaotong University（北京交通大学） ； HUJING Digital Media & Entertainment Group（汇晶数字媒体与娱乐集团） ； MAIS Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS）
专题命中 视频数据与评测 ：video reasoning(title,abstract)；分类 cs.CV
AI总结 该研究提出了身份条件查询（ICQ）任务，构建了ISYV基准、训练集与框架，实验显示主流多模态大语言模型在该任务上表现不佳，ISYV模型性能优于强基线且接近闭源模型。
Comments Accepted to ACM Multimedia 2026 (MM '26). 6 figures, 5 tables
自然语言在小时级视频中的时间定位是一个搜索问题：基准与经验分解
机构 * NAVER Cloud AI ； KAIST AI（韩国科学技术院人工智能系）
专题命中 视频数据与评测 ：long video(title,abstract)；分类 cs.CV
AI总结 针对小时级视频的自然语言时间定位，提出搜索是主要瓶颈而非识别，发布首个开放小时级定位基准ExtremeWhenBench，并通过检索-定位混合方法显著提升性能。
Comments 10 pages, 6 figures, Code and benchmark: https://github.com/naver-ai/ExtremeWhenBench
SVHighlights: 迈向极长体育视频精彩片段检测
机构 * Ulsan National Institute of Science and Technology（釜山国立科学研究院）
专题命中 视频数据与评测 ：long video(abstract)；分类 cs.CV、cs.MM
AI总结 针对现有方法无法处理超长视频精彩片段检测的问题，提出首个基准SVHighlights（包含320个平均时长2小时的体育视频）以及无训练的分段方法TF-SELECTOR，通过大语言模型融合多模态信息预测片段级显著性分数，在多个指标上超越现有基线。
Comments Accepted to KDD 2026 (Datasets and Benchmarks Track). Project Page: https://leedongkyu2019.github.io/SVHighlights/
多模态大语言模型作为视频研究中的合成参与者：一项评估
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV、cs.MM
AI总结 本研究评估多模态大语言模型在视频感知任务中模拟人类主观评分的表现，发现模型存在偏差且与人类一致性有限。
Comments Accepted to SocialLLM @ ICWSM 2026
从检测到理解：用于多任务交通异常推理的TAR与TAR-Bench
机构 * NVIDIA（英伟达） ； Santa Clara University（圣克拉拉大学）
专题命中 视频数据与评测 ：video-language(abstract)；分类 cs.CV
AI总结 该研究提出TAR与TAR-Bench数据集，用于训练评估超越异常检测的视频-语言模型，经实验验证其多任务微调可提升模型推理能力，且为2026年AI城市挑战赛第3赛道提供官方数据。
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