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。

2026-01-01 至 2026-01-01 共收录 3 篇信号源：cs.CV, eess.IV, cs.MM

1. 视频理解 3 篇

2512.24271 2026-01-01 cs.CV cs.AI 86%

Taming Hallucinations: Boosting MLLMs' Video Understanding via Counterfactual Video Generation

驯服幻觉：通过反事实视频生成提升MLLMs的视频理解

Zhe Huang, Hao Wen, Aiming Hao, Bingze Song, Meiqi Wu, Jiahong Wu, Xiangxiang Chu, Sheng Lu, Haoqian Wang

机构 * Tsinghua University（清华大学）； Beihang University（北航）； AMAP, Alibaba Group（阿里妈妈实验室，阿里巴巴集团）

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

AI总结通过反事实视频生成和对比训练，提升MLLMs对视频的理解能力并减少幻觉。

Comments 18 pages

2512.24097 2026-01-01 cs.CV cs.AI cs.CL cs.MM 84%

Factorized Learning for Temporally Grounded Video-Language Models

分解学习用于时间感知的视频-语言模型

Wenzheng Zeng, Difei Gao, Mike Zheng Shou, Hwee Tou Ng

机构 * National University of Singapore（新加坡国立大学）

专题命中视频理解：video-language(title,abstract)；video understanding(abstract)；分类 cs.CV、cs.MM

AI总结本文提出D$^2$VLM框架，通过分解学习方法提升视频-语言模型在时间定位和文本响应任务中的性能，引入证据标记和FPO算法以优化学习过程。

Comments ICCV 2025 paper. This arXiv version updates Figure 1 to include the concurrent work Qwen2.5-VL to ensure consistency with Table 1

2502.03183 2026-01-01 cs.CV cs.LG 83%

MaxInfo: A Training-Free Key-Frame Selection Method Using Maximum Volume for Enhanced Video Understanding

MaxInfo: 一种基于最大体积的无训练关键帧选择方法以提升视频理解

Pengyi Li, Irina Abdullaeva, Alexander Gambashidze, Andrey Kuznetsov, Ivan Oseledets

机构 * AXXX, Russia（AXXX, 俄罗斯）； FusionBrain Lab, Russia（融合脑实验室, 俄罗斯）； Institute of Numerical Mathematics, Russia（数值数学研究所, 俄罗斯）； Innopolis University, Russia（因诺波利斯大学, 俄罗斯）

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

AI总结 MaxInfo是一种基于最大体积原理的无训练关键帧选择方法，通过提升视频理解性能，有效减少冗余并保持多样性。