视频大模型

VTok: A Unified Video Tokenizer with Decoupled Spatial-Temporal Latents

VTok: 一种具有解耦空间-时间潜在变量的统一视频分词器

Feng Wang, Yichun Shi, Ceyuan Yang, Qiushan Guo, Jingxiang Sun, Alan Yuille, Peng Wang

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

专题命中 视频理解 ：video generation(abstract)；video understanding(abstract)；text-to-video(abstract)；分类 cs.CV

AI总结 VTok通过解耦空间和时间潜在变量，实现紧凑且高效的视频分词，提升视频理解和生成任务的性能与效率。

SAVGBench: Benchmarking Spatially Aligned Audio-Video Generation

SAVGBench: 多模态空间对齐音频视频生成基准测试

Kazuki Shimada, Christian Simon, Takashi Shibuya, Shusuke Takahashi, Yuki Mitsufuji

机构 * Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团） 纠错

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

AI总结 SAVGBench提出了一种新的基准测试方法，用于评估空间对齐音频视频生成任务的性能，通过引入专门的数据集和对齐度量标准，评估不同生成模型的对齐效果。

Comments 5 pages, 2 figures, accepted for publication in IEEE ICASSP 2026

Phaedra: Learning High-Fidelity Discrete Tokenization for the Physical Science

Phaedra: 学习高保真离散标记化以用于物理科学

Levi Lingsch, Georgios Kissas, Johannes Jakubik, Siddhartha Mishra

机构 * ETH AI Center（苏黎世联邦理工学院人工智能中心） ； IBM Research Europe（IBM欧洲研究院） ； Seminar for Applied Mathematics, ETH Zurich（苏黎世联邦理工学院应用数学系） ； Swiss Data Science Center, ETH Zurich（瑞士数据科学中心，苏黎世联邦理工学院） 纠错

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

AI总结 Phaedra通过结合经典形状增益量化和正交分解，改进了科学图像的高保真离散标记化，提升PDE数据的重建和泛化能力。

Comments 57 pages, 27 figures

Past- and Future-Informed KV Cache Policy with Salience Estimation in Autoregressive Video Diffusion

具有显著性估计的过去和未来信息KV缓存策略在自回归视频扩散中

Hanmo Chen, Chenghao Xu, Xu Yang, Xuan Chen, Cheng Deng

机构 * Hangzhou Institute of Technology, Xidian University, Hangzhou, China（杭州理工大学，西安电子科技大学，中国杭州） ； Xidian University, Xi'an, China（西安电子科技大学，中国西安） ； Hohai University, Nanjing, China（河海大学，中国南京） 纠错

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

AI总结 本文提出PaFu-KV策略，通过显著性估计优化KV缓存，提升视频生成的质量与效率。

Adaptive 1D Video Diffusion Autoencoder

自适应一维视频扩散自编码器

Yao Teng, Minxuan Lin, Xian Liu, Shuai Wang, Xiao Yang, Xihui Liu

机构 * The University of Hong Kong（香港大学） ； ByteDance Inc.（字节跳动公司） ； CUHK（香港中文大学） ； Nanjing University（南京大学） 纠错

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

AI总结 本文提出了一种自适应一维视频扩散自编码器，通过改进的编码和解码机制实现更高效的视频压缩与重建。

LoVR: A Benchmark for Long Video Retrieval in Multimodal Contexts

LoVR：一种多模态背景下长视频检索的基准

Qifeng Cai, Hao Liang, Zhaoyang Han, Hejun Dong, Meiyi Qiang, Ruichuan An, Quanqing Xu, Bin Cui, Wentao Zhang

机构 * East China Normal University Shanghai China ； Peking University \& Zhongguancun Academy Beijing China ； Huazhong University of Science ； Beihang University Beijing China ； Peking University Beijing China ； East China Normal University ； Peking University \& Zhongguancun Academy ； Beihang University ； Peking University 纠错

专题命中 视频数据与评测 ：long video(title,abstract)；video understanding(abstract)；分类 cs.CV

AI总结 LoVR是一个针对长视频检索的多模态基准，通过高质量标注和细粒度数据提升视频理解挑战。

DeepVideo-R1: Video Reinforcement Fine-Tuning via Difficulty-aware Regressive GRPO

DeepVideo-R1: 通过难度感知的回归GRPO实现视频强化微调

Jinyoung Park, Jeehye Na, Jinyoung Kim, Hyunwoo J. Kim

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Korea University（韩国大学） 纠错

专题命中 其他视频模型 ：video reasoning(abstract)；分类 cs.CV

AI总结 DeepVideo-R1通过回归GRPO和难度感知数据增强，提升视频大语言模型的推理能力。

Comments NeurIPS 2025