InternVL2.5-8B

COMET框架通过增强的运动和时序推理能力提升视频大语言模型

研究人员开发了COMET，一个旨在通过改进对细粒度运动和时序推理的理解来增强视频多模态大语言模型的新框架。该框架引入了一个专门的时序运动分支，并通过交叉注意力机制将其发现整合到外观流中。COMET还采用了一种新颖的优化策略，该策略利用时序顺序作为直接学习信号，从而在Qwen3-VL-8B和InternVL2.5-8B等不同模型架构的以动作为中心和时序推理任务上取得了显著的性能提升。