Tag · 7 篇
时序推理
StreamReady：学习在长流式视频中何时回答与回答什么
StreamReady: Learning What to Answer and When in Long Streaming Videos
提出了一种基于证据窗口的时序就绪度机制，可集成到流式视频理解模型中，实现证据出现时及时回答，避免过早或过晚响应。
StreamRAG：以检索增强提升实时视频理解
StreamRAG: Enhancing Real-Time Video Understanding with Retrieval Augmentation
把 RAG 从离线视频搬到流式视频，其 Stream Event Segmentation 的实时边界检测和 Token-Reusing Accelerator 的跨帧计算复用，可直接用于任何需要低延迟视频字幕/检索的视觉语言流水线。
看见场景才重要：用场景感知长视频基准揭示视频理解模型中的遗忘
Seeing the Scene Matters: Revealing Forgetting in Video Understanding Models with a Scene-Aware Long-Video Benchmark
SceneBench 把长视频按「视觉与语义上下文一致的场景」切分，并给出场景级问答协议，可直接用于诊断 VLM 的长程遗忘；Scene-RAG 的动态场景记忆检索思路也可迁移到任何需要跨片段取证的视频问答或视频对话系统。
OSMO：开放词表自我情绪跟踪
OSMO: Open-vocabulary Self-eMOtion Tracking
OSIRIS 把用户个人情绪历史、当前表情与第一人称视觉观测一起作为多模态大模型的输入做时序推理，这种「历史状态 + 当前观测」的上下文建模方式可迁移到需要连续状态跟踪的视觉任务（如行为/事件跟踪、个性化助手）；OSMO 的逐被试情绪时间线标注协议也为构建连续标签的多模态数据集提供参考。
通过合成视频学习可迁移的时序基元用于视频推理
Learning Transferable Temporal Primitives for Video Reasoning via Synthetic Videos
该工作表明，用程序化生成的合成视频（简单几何形状）训练 VLM 的时序基元（方向、速度、状态跟踪），能有效迁移到真实视频理解任务，为视频后训练提供了一条低成本、可扩展的数据构造路径。
HiF-VLA：通过运动表征为视觉-语言-动作模型引入回溯、洞察与前瞻
HiF-VLA: Hindsight, Insight and Foresight through Motion Representation for Vision-Language-Action Models
把帧间运动（而非原始像素）作为紧凑的时序上下文表征，并以此构建以运动为中心的世界模型，为 VLA 提供回溯先验与前瞻推理；这一「运动即上下文」的思路可直接迁移到任何需要长程时序一致性的视觉-动作策略中，且额外推理延迟可忽略。
ELV-Halluc：面向视频理解中语义聚合幻觉的基准评测
ELV-Halluc: Benchmarking Semantic Aggregation Hallucinations in Video Understanding
把视频幻觉从「帧级感知错误」重新拆解为「帧级语义聚合为事件级语义时的错误」，并给出可复用的细粒度评测协议与 DPO 缓解方案；做视频 MLLM 时序推理或幻觉评测的工作可直接沿用其 SAH 定义与 8K 对抗视频-文本对数据。