研究人员提出了FeVOS，一项名为前瞻性表达视频对象分割（Foresight Expression Video Object Segmentation）的新任务，要求模型预测视频片段中的未来事件，并识别观察帧中的相应对象。该任务旨在通过查询未来动作来提高时空推理能力。为此，创建了一个名为FeVOS的新数据集，其中包含视频片段、前瞻性表达和思维链注释。一个名为FeVOS-R1的模型，使用多模态大语言模型（MLLM）构建，并通过监督微调和强化学习进行训练，在该数据集上展示了最先进的性能，并很好地泛化到现有基准。 AI
影响 引入了一个新的视频感知预测推理基准，有望提升AI理解和预测未来事件的能力。
排序理由 该集群包含一篇介绍新任务、数据集和模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
