「长视频理解」共找到 2145 篇相关文章
ICCV 2025 | HERMES：首个统一3D场景理解与生成的世界模型
本文介绍HERMES，首个统一3D场景理解与生成的世界模型。它由华中科技大学等团队合作研发，通过共享LLM驱动两大任务，解决了输入处理和任务融合难题，实验效果显著，为自动驾驶提供新范式。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展快，现有检测方法难满足需求。新综述提出‘事实保真度验证’目标，梳理四层检测框架，涵盖底层线索、时空一致性等，强调多层证据耦合与可解释性，还分析评测指标与数据集。
港中文联手美团开源“视觉推理通才”！图像视频10类任务一网打尽
香港中文大学MMLab与美团研究团队开源OneThinker模型，它可覆盖图像与视频十类核心视觉任务，在31项测试中表现出色，还展现泛化能力。研究团队搭建数据集，并引入EMA - GRPO算法提升训练稳定性。
DeepSeek-OCR 2再进化，对图像理解已经像人一样逻辑推理了
DeepSeek-OCR 2升级，保持前代高效压缩率和解码效率，引入DeepEncoder V2，模仿人类视觉因果流机制，将图像理解转为逻辑推理，在文档解析领域实现逻辑重构，性能显著提升。
多模态后训练反常识：长思维链SFT和RL的协同困境
华为与香港科大研究发现，多模态视觉语言模型中，长思维链SFT与RL组合难协同增益。研究引入难度分类方法构建数据集，分析各方法表现及组合策略困境，还给出实验发现与未来研究方向。
世界模型来了因果技术标杆！具身大脑真要长脑子了
具身智能有泛化能力瓶颈，构建‘世界模型’成热门赛道。Aether AI获2000万美元种子轮融资，走因果世界模型路线，创始人黄碧薇认为这是世界模型‘终局形态’，能让机器人理解物理规律。
不是视频模型“学习”慢，而是LLM走捷径｜18万引大牛Sergey Levine
UC伯克利大学副教授Sergey Levine提出，为何语言模型从预测下一词中学到很多，视频模型从预测下一帧却学得少。他指出LLM可“抄近路”模仿人类推理，像在“柏拉图洞穴”中，还探讨了AI走出困境的方法。
万字硬核解读SAM 3：不止分割一切，它开始理解世界了
Meta的SAM 3能理解语义，实现可提示概念分割。它支持开放词汇、全实例分割等，架构有创新，数据引擎高效。评估显示其性能优异，与MLLM结合成SAM 3 Agent后推理分割能力强，但在专业领域和复杂场景有局限。
汪军对话 Rich Sutton：大模型在一定程度上分散了我们对智能理解的注意力
在RL China 2025开幕式上，汪军与图灵奖得主Richard Sutton对话。Richard认为大模型缺乏目标和奖励，分散对智能理解的注意力。他强调RL核心是从经验学习，智能原则含梯度下降等，建议将目标解读为“奖励”。
732M模型超越7B！机器人操控新范式：从视频中「悟」物理
机器人操控有「数据困境」，传统方法需大量人工标注动作演示数据。中山大学王广润教授团队从视频生成模型「借」物理直觉，提出PAR和PhysGen，与英伟达DreamDojo核心思路一致，验证了新的技术路线。