视频大模型

2510.02295 2026-02-02 cs.CV cs.AI cs.LG 83%

VideoNSA: Native Sparse Attention Scales Video Understanding

VideoNSA：原生稀疏注意力扩展视频理解

Enxin Song, Wenhao Chai, Shusheng Yang, Ethan Armand, Xiaojun Shan, Haiyang Xu, Jianwen Xie, Zhuowen Tu

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

AI总结 VideoNSA通过端到端训练提升视频理解，结合原生稀疏注意力实现长视频和时间推理的性能优化

Comments ICLR 2026

2601.12243 2026-02-02 cs.CV cs.AI 57%

Less is More: Label-Guided Summarization of Procedural and Instructional Videos

少即是多：基于标签的程序性和教学视频摘要

Shreya Rajpal, Michal Golovanevsky, Carsten Eickhoff

机构 * University of Tübingen（图宾根大学）； Vellore Institute of Technology（维洛雷理工学院）； Brown University（布朗大学）

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

AI总结 PRISM提出了一种基于标签的视频摘要方法，通过集成语义和多模态分析，生成语义准确且上下文连贯的摘要，有效提升摘要质量。

Comments 22 pages, 6 figures

2601.10214 2026-02-02 cs.CV cs.GR 83%

Beyond Inpainting: Unleash 3D Understanding for Precise Camera-Controlled Video Generation

超越修复：释放3D理解以实现精确的相机控制视频生成

Dong-Yu Chen, Yixin Guo, Shuojin Yang, Tai-Jiang Mu, Shi-Min Hu

机构 * BNRist, Department of Computer Science and Technology, Tsinghua University（BNRist，计算机科学与技术系，清华大学）

专题命中视频生成：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV

AI总结 DepthDirector通过双流条件机制和LoRA适配器实现精确摄像机控制，提升视频生成的3D理解和视觉质量。

Comments Project page: https://eleanor6725.github.io/DepthDirector/

2502.05179 2026-02-02 cs.CV 83%

FlashVideo: Flowing Fidelity to Detail for Efficient High-Resolution Video Generation

FlashVideo: 为高效高分辨率视频生成实现流畅的细节保真度

Shilong Zhang, Wenbo Li, Shoufa Chen, Chongjian GE, Peize Sun, Yifu Zhang, Yi Jiang, Zehuan Yuan, Bingyue Peng, Ping Luo

机构 * The University of Hong Kong（香港大学）； The Chinese University of Hong Kong（香港中文大学）； ByteDance（字节跳动）

专题命中视频生成：video generation(title,abstract)；text-to-video(abstract)；分类 cs.CV

AI总结 FlashVideo通过两阶段框架在高效高分辨率视频生成中实现流畅细节保真度，优化计算效率并提升商业应用潜力。

Comments Model and Weight: https://github.com/FoundationVision/FlashVideo

2601.19488 2026-02-02 cs.CV 79%

Entropy-Guided k-Guard Sampling for Long-Horizon Autoregressive Video Generation

熵引导的k-guard采样用于长 Horizon 自回归视频生成

Yizhao Han, Tianxing Shi, Zhao Wang, Zifan Xu, Zhiyuan Pu, Mingxiao Li, Qian Zhang, Wei Yin, Xiao-Xiao Long

机构 * Nanjing University（南京大学）； Horizon Robotics ； China Mobile（中国移动）

专题命中视频生成：video generation(title,abstract)；分类 cs.CV

AI总结熵引导的k-guard采样用于长Horizon自回归视频生成，通过自适应调整令牌候选集大小以提升视频生成的质量和稳定性。

2510.14256 2026-02-02 cs.CV 79%

Identity-GRPO: Optimizing Multi-Human Identity-preserving Video Generation via Reinforcement Learning

身份保持的多人类视频生成优化：通过强化学习进行优化

Xiangyu Meng, Zixian Zhang, Zhenghao Zhang, Junchao Liao, Long Qin, Weizhi Wang

机构 * Alibaba Group（阿里巴巴集团）； Fudan University（复旦大学）

专题命中视频生成：video generation(title,abstract)；分类 cs.CV

AI总结 Identity-GRPO通过强化学习优化多人类身份保持的视频生成，显著提升一致性指标。

Comments Our project and code are available at https://ali-videoai.github.io/identity_page, https://github.com/alibaba/identity-grpo

2501.02725 2026-02-02 cs.AI 50%

Advances in Artificial Intelligence: A Review for the Creative Industries

人工智能进展：面向创意产业的综述

Nantheera Anantrasirichai, Fan Zhang, David Bull

机构 * Visual Information Laboratory, University of Bristol, Bristol, UK（布里斯托大学视觉信息实验室）

专题命中视频生成：video generation(abstract)

AI总结本文综述了自2022年以来人工智能在创意产业中的进展，探讨了生成式AI、大语言模型和扩散模型等技术对创意生产流程的影响，并分析了人类与AI协作的新趋势及面临的挑战。

Comments This is an updated review of our previous paper (see https://doi.org/10.1007/s10462-021-10039-7), and has been accepted by Artificial Intelligence Review journal

2601.22275 2026-02-02 cs.CV cs.AI 83%

VMonarch: Efficient Video Diffusion Transformers with Structured Attention

VMonarch：具有结构注意力的高效视频扩散变换器

Cheng Liang, Haoxian Chen, Liang Hou, Qi Fan, Gangshan Wu, Xin Tao, Limin Wang

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学）； School of Intelligence Science and Technology, Nanjing University（智能科学与技术学院，南京大学）； Kling Team, Kuaishou Technology（快手科技 Kling 团队）

专题命中视频扩散模型：video diffusion(title,abstract)；long video(abstract)；分类 cs.CV

AI总结 VMonarch通过结构化注意力机制提升视频扩散变换器的效率，减少计算量并提高处理速度。

2506.07891 2026-02-02 cs.CV 70%

Video Unlearning via Low-Rank Refusal Vector

通过低秩拒绝向量实现视频去学习

Simone Facchiano, Stefano Saravalle, Matteo Migliarini, Edoardo De Matteis, Alessio Sampieri, Andrea Pilzer, Emanuele Rodolà, Indro Spinelli, Luca Franco, Fabio Galasso

机构 * Sapienza University of Rome（罗马萨皮恩扎大学）； ItalAI ； Paradigma ； NVIDIA

专题命中视频扩散模型：video generation(abstract)；video diffusion(abstract)；分类 cs.CV

AI总结提出一种无需训练的视频扩散模型概念去除方法，通过低秩拒绝向量实现安全生成，有效减少不安全内容生成。

2601.22959 2026-02-02 cs.CV 79%

Triage: Hierarchical Visual Budgeting for Efficient Video Reasoning in Vision-Language Models

Triage: 分层视觉预算机制用于视觉语言模型中的高效视频推理

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

机构 * Huazhong University of Science and Technology（华中科技大学）； Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）

专题命中长视频与时序推理：video reasoning(title,abstract)；分类 cs.CV

AI总结 Triage通过分层视觉预算机制优化视频推理，提升效率并保持性能。

Comments Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)

2601.22076 2026-02-02 cs.LG cs.DC 50%

Where Do the Joules Go? Diagnosing Inference Energy Consumption

焦耳去哪儿了？诊断推理能耗

Jae-Won Chung, Ruofan Wu, Jeff J. Ma, Mosharaf Chowdhury

机构 * University of Michigan \& The ML.ENERGY Initiative

专题命中长视频与时序推理：video generation(abstract)

AI总结研究通过大规模测量发现生成式AI中不同任务和硬件配置对能耗的影响差异，并提出框架解释能耗与利用率等隐含指标的关系，为优化数据中心能耗提供依据。

Comments The ML ENERGY Leaderboard v3.0 is open at https://ml.energy/leaderboard

1. 视频理解 2 篇