VideoLVR：用视频局部证据支撑推理

Shilong Li 等人提出 VideoLVR 视频理解方法，从视频关键片段的局部区域构建潜在视觉证据，为多模态大模型的中间推理步骤提供视觉支撑，以缓解语言推理链中的视觉遗忘问题。 该方法引入视觉 token 预测目标，将视觉 token 重建表述为对输入视频词表的预测，使视觉证据重建与文本生成统一在同一 token 预测框架内。上述效果来自论文自述，尚未见独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。