视觉语言模型 / CVPR2026
SPARROW：在像素级视频多模态大模型中学习空间精度与时序指代一致性
SPARROW: Learning Spatial Precision and Temporal Referential Consistency in Pixel-Grounded Video MLLMs
针对视频 MLLM 中静态 [SEG] 词元缺乏时序上下文导致的漂移与身份切换问题，提出目标特定跟踪特征（TSF）注入时序对齐的指代线索，并用 [BOX]/[SEG] 双提示解码融合几何先验与语义定位；这套即插即用设计可直接迁移到任意视频 MLLM 的像素级指代任务上。
指代视频目标分割像素级定位视频多模态大模型