视觉语言模型 / CVPR2026
你看到我指向哪里了吗？基于手势的第一人称视频问答
Do You See What I Am Pointing At? Gesture-Based Egocentric Video Question Answering
将3D手部关键点编码为离散token并与视频帧交错输入MLLM，为第一人称视频中的指向意图理解提供了可复用的空间-时序上下文注入方式；同时发布的EgoPointVQA数据集可用于评测模型的手势定位与指代推理能力。
第一人称视频问答手势指向理解多模态大语言模型