多模态推理链

Minerva-Ego：面向第一人称视频理解的时空提示

Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding

把「该看哪里、何时看」的时空掩码作为提示注入前沿多模态模型，可显著提升复杂视频推理；这套提示构造与推理链标注方式可直接迁移到其他视频问答或具身感知任务的评测与增强。