多粒度视觉理解

UFVideo：面向统一细粒度视频协同理解的大语言模型

UFVideo: Towards Unified Fine-Grained Video Cooperative Understanding with Large Language Models

把全局、像素、时序三种粒度的视频理解统一进单个 Video LLM，并用统一的视觉-语言引导对齐动态切换输出（文本、时序定位、grounded mask），为做视频问答、时序定位与指代分割的研究者提供了一个多任务协同的统一建模范式与配套基准。