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。
Video-R2: 通过强化一致性和基于现实的推理提升多模态语言模型
机构 * Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； Linköping University（林肯皮大学） ； Australian National University（澳大利亚国立大学）
专题命中 视频理解 ：video understanding(abstract)；video reasoning(abstract)；分类 cs.CV
AI总结 Video-R2通过强化学习提升多模态模型在视频推理中的时间对齐和逻辑一致性，提高准确性和可信度。
Comments Video-R2 Technical Report
少即是多，但在哪里？通过LLM引导的关键帧先验实现动态令牌压缩
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； The Hong Kong University of Science and Technology（香港科技大学）
专题命中 视频理解 ：video understanding(abstract)；long video(abstract)；分类 cs.CV
AI总结 本文提出DyToK方法，通过LLM引导的关键帧先验实现动态令牌压缩，提升视频处理效率和准确性。
Comments Accepted by NeurIPS 2025
MAVERIX：多模态音频视觉评估与识别指数
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV、cs.MM
AI总结 MAVERIX是一个用于评估多模态模型音频视觉整合能力的统一基准，通过精心设计的问题展示模型在跨模态理解上的性能，揭示了与人类水平的显著差距。
Journal ref AAAI 2026
Unison: 一个完全自动、任务通用且低成本的统一理解和生成框架
机构 * The University of Hong Kong（香港大学） ； Tongyi Lab, Alibaba Group（阿里集团通义实验室） ； Fudan University（复旦大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 Unison提出一个低成本、全自动的多模态理解和生成框架，通过两阶段方案实现任务自适应，覆盖多种理解和生成任务，提升生成质量与自动化水平。
ContextAnyone: 基于上下文的扩散模型用于一致的文本到视频生成
机构 * Dartmouth College（达特茅斯学院）
专题命中 视频生成 ：video generation(title,abstract)；text-to-video(title,abstract)；分类 cs.CV
AI总结 ContextAnyone通过上下文感知扩散模型实现从文本和参考图像生成一致的角色视频，结合双引导损失和Gap-RoPE位置嵌入提升视觉质量和身份一致性。
UnityVideo: 一体化多模态多任务学习以增强世界感知视频生成
机构 * HKUST（香港科技大学） ； CUHK（香港中文大学） ； Tsinghua University（清华大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 UnityVideo通过一体化多模态多任务学习提升视频生成的世界感知能力，引入动态噪声化和模态切换器，实现更全面的世界知识表示。
Comments Project Website https://jackailab.github.io/Projects/UnityVideo
WorldReel：基于一致几何和运动建模的4D视频生成
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Adobe Research（Adobe研究） ； University College London（伦敦大学学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 WorldReel通过联合生成RGB帧和4D场景表示，实现了动态场景和移动摄像机下的4D一致视频生成，提升了几何一致性与运动一致性。
OneStory: 通过自适应记忆实现连贯的多镜头视频生成
机构 * University of Copenhagen（哥本哈根大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 OneStory通过自适应记忆实现多镜头视频生成，提升叙事连贯性和生成质量。
Comments Project Page: https://zhaochongan.github.io/projects/OneStory
缩放零样本参考到视频生成
机构 * Meta AI ； King's College London
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 Saber通过零样本框架实现高效参考到视频生成，无需显式数据，通过掩码训练和注意力模型提升泛化能力。
Comments Website: https://franciszzj.github.io/Saber/
VideoVLA: 视频生成器可以成为通用的机器人操作器
机构 * IAIR, Xi’an Jiaotong University（人工智能研究院、西安交通大学） ； Microsoft Research Asia（微软亚洲研究院） ； Fudan University（复旦大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 VideoVLA通过将视频生成模型转化为机器人VLA操作器，实现了动作与视觉后果的双预测，提升机器人操作的泛化能力。
Comments Project page: https://videovla-nips2025.github.io
Journal ref The Thirty-ninth Annual Conference on Neural Information Processing Systems(NeurIPS2025)
RunawayEvil: 对图像到视频生成模型的劫持
机构 * PRLab, Nanjing University（南京大学PRLab） ； Meituan（美团） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 RunawayEvil是一种针对图像到视频生成模型的多模态劫持框架，通过自我进化机制实现动态攻击策略，显著提升攻击成功率。
DreamFoley: 用于高保真视频到音频生成的可扩展视觉-语言模型
机构 * Bytedance Intelligent Creation Lab（字节跳动智能创作实验室） ； Zhejiang University（浙江大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.MM
AI总结 DreamFoley通过结合视觉-语言模型，提出了一种可扩展的视频到音频生成方法，实现了高保真音频生成并优化了训练效率与质量的平衡。
Comments 10 pages; Bytedance
视频模型开始解决国际象棋、迷宫、数独、心理旋转和雷文矩阵任务
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 视频生成 ：video generation(abstract)；分类 cs.CV
AI总结 视频模型通过强化学习提升推理能力，在多项任务上达到60%的成功率。
Comments See $\href{https://grow-ai-like-a-child.com/video-reason/}{results}$ and $\href{https://github.com/hokindeng/VMEvalKit}{code}$
面向视频扩散模型的通信高效服务与潜在并行性
专题命中 视频扩散模型 ：video diffusion(title,abstract)；video generation(abstract)
AI总结 本文提出潜在并行性策略，通过动态旋转潜在空间维度，显著降低视频扩散模型服务的通信开销，同时保持生成质量。
Comments 19 pages
为流匹配强化学习中的系数保持采样
机构 * CreateAI
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 通过系数保持采样方法，减少流匹配强化学习中的噪声伪影，提升奖励建模精度和优化器收敛稳定性。
Comments work in progress
EVCtrl: 用于视觉生成的高效控制适配器
机构 * UESTC（电子科技大学） ； HKUST（香港科技大学） ； SJTU（上海交通大学）
专题命中 视频扩散模型 ：video generation(abstract)；分类 cs.CV
AI总结 EVCtrl通过轻量级控制适配器提升视觉生成效率，实现高效可控生成，无需重新训练模型。
基于跟踪的4D生成：用于3D模型动画的基础跟踪器运动先验
机构 * Purdue University（普渡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软）
专题命中 动作与事件理解 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 Track4DGen通过结合基础跟踪器和混合4D高斯点划法，提升多视角视频生成和4D生成的稳定性与精度。
Comments 15 pages, 11 figures
径向注意力：具有能量衰减的 $O(n\log n)$ 稀疏注意力用于长视频生成
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Princeton（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； First Intelligence（第一智能）
专题命中 长视频与时序推理 ：video generation(title,abstract)；long video(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出径向注意力，通过能量衰减机制实现高效的长视频生成，显著提升生成速度并降低计算成本。
Comments Accepted to NeurIPS 2025, Code: https://github.com/mit-han-lab/radial-attention
TimeScope: 向长视频中面向任务的时序定位迈进
机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； University of Trento（特伦多大学） ； Singapore Management University（新加坡管理大学）
专题命中 长视频与时序推理 ：long video(title,abstract)；video understanding(abstract)；分类 cs.CV
AI总结 TimeScope通过逐步推理实现长视频中面向任务的时序定位，提升定位精度并增强下游任务表现。
AI生成的驾驶视频是否准备好用于自动驾驶？一种诊断评估框架
机构 * IFM Lab, University of California, Davis（加州大学戴维斯分校IFM实验室）
专题命中 视频数据与评测 ：video generation(abstract)；text-to-video(abstract)；分类 cs.CV
AI总结 本文提出了一种诊断评估框架，系统研究AI生成驾驶视频在自动驾驶训练和评估中的可靠性，通过分析失败模式和构建基准测试，验证了过滤AIGVs可提升性能并补充现实数据。
NeuroABench: 一种多模态评估基准，用于神经外科解剖识别
机构 * Hong Kong Institute of Science and Innovation（香港科学与创新研究院） ； The University of Hong Kong-Shenzhen Hospital（香港大学深圳医院） ； Department of Electronic Engineering, The Chinese University of Hong Kong（香港中文大学电子工程系）
专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV
AI总结 NeuroABench是首个用于评估神经外科领域解剖理解的多模态基准，通过实验揭示了MLLMs在解剖识别任务中的局限性，并展示了人类表现与模型之间的差距。
Comments Accepted by IEEE ICIA 2025
MMDuet2：通过多轮强化学习增强视频MLLMs的主动交互
机构 * Wangxuan Institute of Computer Technology, Peking University（王宣计算机技术研究所，北京大学） ； State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）
专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV
AI总结 MMDuet2通过多轮强化学习方法，实现了视频MLLMs在多轮对话中的主动交互，提升了回复时机和质量，达到ProactiveVideoQA基准的最优性能。
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