视频大模型

Vista: Scene-Aware Optimization for Streaming Video Question Answering under Post-Hoc Queries

Vista：面向事后查询的场景感知流视频问答优化

Haocheng Lu, Nan Zhang, Wei Tao, Xiaoyang Qu, Guokuan Li, Jiguang Wan, Jianzong Wang

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

AI总结 Vista通过场景感知分割、压缩和召回技术，实现了高效且可扩展的流视频问答，提升了长上下文推理能力，同时保持低延迟和内存效率。

Comments Accepted to AAAI 2026 (Main Technical Track)

Too Many Frames, Not All Useful: Efficient Strategies for Long-Form Video QA

过多的帧，但并非都有用：长视频问答的高效策略

Jongwoo Park, Kanchana Ranasinghe, Kumara Kahatapitiya, Wonjeong Ryu, Donghyun Kim, Michael S. Ryoo

机构 * Stony Brook University（石溪大学） ； KAIST AI（韩国科学技术院人工智能研究所） ； Korea University（韩国大学） 纠错

专题命中 视频问答 ：long video(abstract)；分类 cs.CV

AI总结 LVNet通过高效的关键帧选择器提升长视频问答效率，实现四个基准数据集上的最佳性能。

Efficient Visual Question Answering Pipeline for Autonomous Driving via Scene Region Compression

面向自动驾驶的高效视觉问答流水线：场景区域压缩

Yuliang Cai, Dongqiangzi Ye, Zitian Chen, Chongruo Wu

机构 * University of Southern California（南加州大学） ； XPeng（小鹏） 纠错

专题命中 视频问答 ：long video(abstract)；分类 cs.CV

AI总结 本文提出SRC-Pipeline框架，通过场景区域压缩技术，在保持性能的同时显著降低计算成本，提升自动驾驶中的实时视觉问答效率。

Comments 7 pages

CogStream: Context-guided Streaming Video Question Answering

CogStream: 基于上下文的流视频问答

Zicheng Zhao, Kangyu Wang, Shijie Li, Rui Qian, Weiyao Lin, Huabin Liu

专题命中 视频问答 ：video reasoning(abstract)；分类 cs.CV

AI总结 本文提出CogStream任务，通过视觉流压缩和历史对话检索，解决流视频中关键信息识别与问答问题。

Comments Project page: https://github.com/LiamZhao326/CogStream

SAT: Dynamic Spatial Aptitude Training for Multimodal Language Models

SAT：多模态语言模型的动态空间能力训练

Arijit Ray, Jiafei Duan, Ellis Brown, Reuben Tan, Dina Bashkirova, Rose Hendrix, Kiana Ehsani, Aniruddha Kembhavi, Bryan A. Plummer, Ranjay Krishna, Kuo-Hao Zeng, Kate Saenko

机构 * Boston University（波士顿大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） ； Microsoft Research（微软研究院） ； New York University（纽约大学） 纠错

专题命中 视频问答 ：long video(abstract)；分类 cs.CV

AI总结 SAT通过模拟数据提升多模态语言模型在动态空间推理中的能力，实验表明其在多个基准测试中优于现有方法。

Comments Accepted to COLM 2025. Project webpage: https://arijitray.com/SAT/

InteractiveOmni: A Unified Omni-modal Model for Audio-Visual Multi-turn Dialogue

InteractiveOmni: 一种用于音频-视觉多轮对话的统一多模态模型

Wenwen Tong, Hewei Guo, Dongchuan Ran, Jiangnan Chen, Jiefan Lu, Kaibin Wang, Keqiang Li, Xiaoxu Zhu, Jiakui Li, Kehan Li, Xueheng Li, Lumin Li, Chenxu Guo, Jiasheng Zhou, Jiandong Chen, Xianye Wu, Jiahao Wang, Silei Wu, Lei Chen, Hanming Deng, Yuxuan Song, Dinghao Zhou, Guiping Zhong, Ken Zheng, Shiyin Kang, Lewei Lu

机构 * SenseTime Research（商汤科技研究院） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

AI总结 InteractiveOmni是一种统一的多模态模型，通过多阶段训练策略提升多轮对话能力，提供高效的音频-视觉交互体验。

ROVER: Recursive Reasoning Over Videos with Vision-Language Models for Embodied Tasks

ROVER：基于视觉语言模型的视频递归推理用于具身任务

Philip Schroeder, Ondrej Biza, Thomas Weng, Hongyin Luo, James Glass

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； RAI Institute（RAI研究院） 纠错

专题命中 视频问答 ：video reasoning(abstract)；分类 cs.CV

AI总结 ROVER通过递归分解视频轨迹提升具身任务中的视频推理能力，有效减少幻觉并提高准确性。

ChineseVideoBench: Benchmarking Multi-modal Large Models for Chinese Video Question Answering

ChineseVideoBench: 多模态大模型在中文视频问答中的基准测试

Yuxiang Nie, Han Wang, Yongjie Ye, Haiyang Yu, Weitao Jia, Tao Zeng, Hao Feng, Xiang Fei, Yang Li, Xiaohui Lv, Guozhi Tang, Jingqun Tang, Jinghui Lu, Zehui Dai, Jiacong Wang, Dingkang Yang, An-Lan Wang, Can Huang

机构 * Bytedance Inc.（字节跳动公司） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

AI总结 ChineseVideoBench通过提供中文视频问答的基准测试，评估多模态大语言模型的性能，揭示了当前模型在复杂中文视频内容上的挑战。

Hulu-Med: A Transparent Generalist Model towards Holistic Medical Vision-Language Understanding

Songtao Jiang, Yuan Wang, Sibo Song, Tianxiang Hu, Chenyi Zhou, Bin Pu, Yan Zhang, Zhibo Yang, Yang Feng, Joey Tianyi Zhou, Jin Hao, Zijian Chen, Ruijia Wu, Tao Tang, Junhui Lv, Hongxia Xu, Hongwei Wang, Jun Xiao, Bin Feng, Fudong Zhu, Kenli Li, Weidi Xie, Jimeng Sun, Jian Wu, Zuozhu Liu

机构 * College of Computer Science and Technology, Zhejiang University-University of Illinois Urbana-Champaign Institute（浙江大学计算机科学与技术学院） ； Stomatology Hospital, School of Stomatology, Zhejiang University School of Medicine（浙江大学口腔医院） ； Alibaba Inc（阿里巴巴集团） ； College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院） ； Angelalign Technology Inc.（Angelalign技术有限公司） ； CFAR & IHPC, Agency for Science, Technology and Research（CFAR与IHPC，新加坡科技研究局） ； Department of Orthodontics, Shanghai Ninth People’s Hospital, College of Stomatology, Shanghai Jiao Tong University（上海第九人民医院正畸科，上海交通大学口腔医学院） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

Pinpointing Trigger Moment for Grounded Video QA: Enhancing Spatio-temporal Grounding in Multimodal Large Language Models

Jinhwan Seo, Yoonki Cho, Junhyug Noh, Sung-eui Yoon

机构 * KAIST（韩国科学技术院） ； Ewha Womans University（成均馆大学） 纠错

专题命中 视频问答 ：video reasoning(abstract)；分类 cs.CV

Comments 1st place winner of Grounded Videoqa track at the ICCV2025 Perception Test

Video Flow as Time Series: Discovering Temporal Consistency and Variability for VideoQA

Zijie Song, Zhenzhen Hu, Yixiao Ma, Jia Li, Richang Hong

机构 * Hefei University of Technology, Hefei, China（合肥工业大学） ； University of Science and Technology of China, Hefei, China（中国科学技术大学） 纠错

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

StreamingCoT: A Dataset for Temporal Dynamics and Multimodal Chain-of-Thought Reasoning in Streaming VideoQA

Yuhang Hu, Zhenyu Yang, Shihan Wang, Shengsheng Qian, Bin Wen, Fan Yang, Tingting Gao, Changsheng Xu

机构 * Henan Institute of Advanced Technology, Zhengzhou University（河南高级技术研究所，郑州大学） ； Institute of Automation, CAS（自动化研究所，中国科学院） ； UCAS（中国科学院大学） ； Peng Cheng Laboratory（鹏城实验室） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

MEXA: Towards General Multimodal Reasoning with Dynamic Multi-Expert Aggregation

Shoubin Yu, Yue Zhang, Ziyang Wang, Jaehong Yoon, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 视频问答 ：video reasoning(abstract)；分类 cs.CV

Comments EMNLP 2025 Findings; The first two authors contributed equally; Github link: https://github.com/Yui010206/MEXA

Breakdance Video classification in the age of Generative AI

Sauptik Dhar, Naveen Ramakrishnan, Michelle Munson

机构 * Eluvio AI Labs（Eluvio AI实验室） 纠错

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

Comments 11 pages

Recurrent Attention-based Token Selection for Efficient Streaming Video-LLMs

Vaggelis Dorovatas, Soroush Seifi, Gunshi Gupta, Rahaf Aljundi

机构 * Toyota Motor Europe（丰田欧洲公司） ； Archimedes RU, Athena RC（阿奇米德 RU、阿泰纳 RC） ； University of Oxford（牛津大学） 纠错

专题命中 视频问答 ：long video(abstract)；分类 cs.CV

Comments NeurIPS 2025

VTimeCoT: Thinking by Drawing for Video Temporal Grounding and Reasoning

Jinglei Zhang, Yuanfan Guo, Rolandos Alexandros Potamias, Jiankang Deng, Hang Xu, Chao Ma

机构 * Shanghai Jiao Tong University（上海交通大学） ； Noah’s Ark Lab（诺亚实验室） ； Imperial College London（伦敦帝国理工学院） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

Comments Accepted by ICCV 2025

MovieCORE: COgnitive REasoning in Movies

Gueter Josmy Faure, Min-Hung Chen, Jia-Fong Yeh, Ying Cheng, Hung-Ting Su, Yung-Hao Tang, Shang-Hong Lai, Winston H. Hsu

机构 * National Taiwan University（国立台湾大学） ； NVIDIA ； National Tsing Hua University（国立清华大学） 纠错

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

Comments Accepted for EMNLP'2025 Main Conference (Oral Presentation). Project Page: https://joslefaure.github.io/assets/html/moviecore.html

Bridging Vision Language Models and Symbolic Grounding for Video Question Answering

Haodi Ma, Vyom Pathak, Daisy Zhe Wang

机构 * Univerisy of Florida（佛罗里达大学） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

See What You Need: Query-Aware Visual Intelligence through Reasoning-Perception Loops

Zixuan Dong, Baoyun Peng, Yufei Wang, Lin Liu, Xinxin Dong, Yunlong Cao, Xiaodong Wang

机构 * College of Computer, National University of Defense Technology（计算机学院，国防科技大学） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

Comments 14 pages, 6 figures

LeAdQA: LLM-Driven Context-Aware Temporal Grounding for Video Question Answering

Xinxin Dong, Baoyun Peng, Haokai Ma, Yufei Wang, Zixuan Dong, Fei Hu, Xiaodong Wang

专题命中 视频问答 ：long video(abstract)；分类 cs.CV

PVChat: Personalized Video Chat with One-Shot Learning

Yufei Shi, Weilong Yan, Gang Xu, Yumeng Li, Yucheng Chen, Zhenxi Li, Fei Richard Yu, Ming Li, Si Yong Yeo

机构 * MedVisAI Lab（MedVisAI实验室） ； National University of Singapore（新加坡国立大学） ； Nankai University（南开大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳）） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科谦医学院） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

ShoulderShot: Generating Over-the-Shoulder Dialogue Videos

Yuang Zhang, Junqi Cheng, Haoyu Zhao, Jiaxi Gu, Fangyuan Zou, Zenghui Lu, Peng Shu

专题命中 视频问答 ：video generation(abstract)；分类 cs.CV

Gather and Trace: Rethinking Video TextVQA from an Instance-oriented Perspective

Yan Zhang, Gangyan Zeng, Daiqing Wu, Huawen Shen, Binbin Li, Yu Zhou, Can Ma, Xiaojun Bi

机构 * Institute of Information Engineering, Chinese Academy of Sciences School of Cyber Security, University of Chinese Academy of Sciences Beijing China ； School of Cyber Science ； Engineering, Nanjing University of Science ； VCIP \& TMCC \& DISSec, College of Computer Science, Nankai University Tianjin China ； Key Laboratory of Ethnic Language Intelligent Analysis ； Security Governance of MOE, Minzu University of China Beijing China ； Institute of Information Engineering, Chinese Academy of Sciences ； School of Cyber Security, University of Chinese Academy of Sciences ； VCIP \& TMCC \& DISSec, College of Computer Science, Nankai University ； Security Governance of MOE, Minzu University of China 纠错

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

Comments Accepted by 2025 ACM MM

Team of One: Cracking Complex Video QA with Model Synergy

Jun Xie, Zhaoran Zhao, Xiongjun Guan, Yingjian Zhu, Hongzhu Yi, Xinming Wang, Feng Chen, Zhepeng Wang

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

MANTA: Cross-Modal Semantic Alignment and Information-Theoretic Optimization for Long-form Multimodal Understanding

Ziqi Zhong, Daniel Tang

机构 * London School of Economics（伦敦经济学院） 纠错

专题命中 视频问答 ：long video(abstract)；分类 cs.CV

Moment Sampling in Video LLMs for Long-Form Video QA

Mustafa Chasmai, Gauri Jagatap, Gouthaman KV, Grant Van Horn, Subhransu Maji, Andrea Fanelli

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Dolby Laboratories（杜比实验室） 纠错

专题命中 视频问答 ：text-to-video(abstract)；分类 cs.CV

Comments Workshop on Video Large Language Models (VidLLMs) at CVPR 2025

DIVE: Deep-search Iterative Video Exploration A Technical Report for the CVRR Challenge at CVPR 2025

Umihiro Kamoto, Tatsuya Ishibashi, Noriyuki Kugo

机构 * Panasonic Connect Co., Ltd.（松下电器公司） 纠错

专题命中 视频问答 ：video reasoning(abstract)；分类 cs.CV

MUPA: Towards Multi-Path Agentic Reasoning for Grounded Video Question Answering

Jisheng Dang, Huilin Song, Junbin Xiao, Bimei Wang, Han Peng, Haoxuan Li, Xun Yang, Meng Wang, Tat-Seng Chua

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

Everything Can Be Described in Words: A Simple Unified Multi-Modal Framework with Semantic and Temporal Alignment

Xiaowei Bi, Zheyuan Xu

机构 * Northwestern University（西北大学） ； IEEE Member（IEEE会员） 纠错

专题命中 视频问答 ：long video(abstract)；分类 cs.CV

VF-Eval: Evaluating Multimodal LLMs for Generating Feedback on AIGC Videos

Tingyu Song, Tongyan Hu, Guo Gan, Yilun Zhao

机构 * School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； Yale University（耶鲁大学） 纠错

专题命中 视频问答 ：video generation(abstract)；分类 cs.CV

Comments ACL 2025 Main