两篇新的研究论文提出了改进多模态大语言模型（MLLMs）长视频理解能力的新颖方法。第一篇论文介绍了Route2Look框架，该框架使用查询自适应证据获取来动态选择用于浏览、定位和检索视频内信息的工具。第二篇论文提出了片段到视频监督（S2V）方法，这是一种更有效的训练方法，它从本地化的视频片段生成问答对，以增强细粒度推理能力，而无需进行大量的强化学习。 AI
影响 这些方法可能导致AI模型对长视频进行更有效、更准确的分析。
排序理由 两篇在arXiv上发表的学术论文，提出了新的视频理解方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.20805v1 Announce Type: new Abstract: Long-form video understanding remains challenging for video agents due to the mismatch between query demands and evidence acquisition strategies. Although recent planning-before-perception methods outperform query-agnostic pipelines…
arXiv:2608.20814v1 Announce Type: new Abstract: Though Multimodal Large Language Models (MLLMs) have shown impressive potential in video understanding, long video understanding (LVU) remains challenging since distracting noise in complex and lengthy contexts can obscure localized…