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。

2026-01-28 至 2026-01-28 共收录 2 篇信号源：cs.CV, eess.IV, cs.MM

1. 视频理解 2 篇

2601.19686 2026-01-28 cs.CV 83%

Video-KTR: Reinforcing Video Reasoning via Key Token Attribution

Video-KTR: 通过关键令牌 attribution 增强视频推理

Ziyue Wang, Sheng Jin, Zhongrong Zuo, Jiawei Wu, Han Qiu, Qi She, Hao Zhang, Xudong Jiang

机构 * ByteDance（字节跳动）； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）； National University of Singapore（国立新加坡大学）； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）

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

AI总结 Video-KTR通过结合三种attribution信号，提升视频推理的准确性和可解释性，实现状态-of-the-art性能。

Comments Accepted to ICLR 2026

2506.08512 2026-01-28 cs.CV cs.AI 57%

MLVTG: Mamba-Based Feature Alignment and LLM-Driven Purification for Multi-Modal Video Temporal Grounding

MLVTG: 基于Mamba的特征对齐与LLM驱动的多模态视频时间定位

Zhiyi Zhu, Xiaoyu Wu, Zihao Liu, Linlin Yang

机构 * State Key Laboratory of Media Convergence and Communication（媒体融合与传播国家重点实验室）

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

AI总结 MLVTG通过结合MambaAligner和LLMRefiner，实现了多模态视频时间定位的高精度定位与语义净化。