PulseAugur
中
实时 08:06:52
实体 LVBench

LVBench

PulseAugur coverage of LVBench — every cluster mentioning LVBench across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
7
90 天内 18
发布 · 30天
0
90 天内 0
论文 · 30天
5
90 天内 16
层级分布 · 90 天
主题
情绪 · 30 天

5 天有情绪数据

最近 · 第 1/1 页 · 共 18 条
  1. TOOL · CL_364304 ·

    OVAL 方法将 LLM KV 缓存内存减少 50%,同时保持性能

    研究人员推出了一种新颖的大型语言模型(LLM)键值(KV)缓存压缩方法 OVAL,这是长上下文解码的一个重要瓶颈。OVAL 利用输出感知的低秩基来表示缓存中的每个页面,既作为检索索引,也作为存储机制。这种方法可以在保持性能的同时消除精确页面,在各种长上下文基准测试中实现了显著的内存节省。

  2. TOOL · CL_363449 ·

    VideoNexus框架增强AI对长视频的理解

    一个名为VideoNexus的新框架已被开发出来,以改进AI模型理解长视频的方式。它将视频内容的详细感知与规划和推理过程分开,从而实现更高效的分析。通过使用专门的感知子代理返回紧凑的、与时间相关的证据,VideoNexus可以处理复杂的视觉信息,而不会压倒模型的推理语境。这种方法在LVBench等基准测试中表现强劲,优于其他方法。

  3. TOOL · CL_348648 ·

    AdaAlloc框架优化长视频问答的视觉标记分配

    研究人员推出AdaAlloc,一个旨在优化长视频问答视觉标记分配的新型框架。这种无需训练的推理方法通过自适应地平衡全局上下文和详细的局部证据,解决了视觉标记有限的挑战。AdaAlloc规划分配策略,识别相关视频片段,并将其提炼成时间记忆,控制帧采样密度和分辨率。该系统在LVBench和MLVU等基准测试中表现出显著的改进,比均匀采样高出10.5个百分点。

  4. RESEARCH · CL_321947 ·

    新框架通过联合推理与观察增强代理视频理解能力

    研究人员开发了两个用于改进代理视频理解的新框架。第一个是 LARVA(Latent Agentic Reasoning for Video Analysis,用于视频分析的潜在代理推理),它通过联合学习潜在推理和视觉观察来提炼多轮视频代理,使小型模型能够在 VideoHolmes 和 LVBench 等基准测试中取得优异成绩。第二个是 SyncPro,它通过一个同步双流框架来解决主动流式视频理解问题,该框架将证据跟踪与面向用户的响应分…

  5. TOOL · CL_312916 ·

    新的MIT3框架通过测试时训练增强长视频理解能力

    研究人员开发了一个名为“通过测试时训练实现记忆内化”(MIT^3)的新框架,用于长视频理解。该方法通过将知识写入紧凑的、视频特定的参数来使模型适应特定视频。该框架识别模型内存储知识的最佳位置,并使用视觉记忆蒸馏来训练一个仅文本的记忆,以复制视觉证据的效果。与以前的参数化视频记忆技术相比,MIT^3在数据高效的无视频问答方面表现更好,合成样本更少。

  6. RESEARCH · CL_287138 ·

    新的代理框架增强长视频理解能力

    两篇新的研究论文介绍了一种用于改进长视频理解的新型代理框架。第一个,VAMR,在单个工具使用轨迹中协调关于视频的多个问题,从而实现共享证据获取和统一理解。VAMR 在 LVBench、Video-Holmes 和 LongVideoBench 等基准测试中展示了卓越的准确性和效率。第二个,RACER,采用了一个反思性代理框架,将查询解释与证据定位分开。RACER 的 Vid-LLM 将复杂查询重塑为子查询,然后由嵌入模型使用这些子查询…

  7. SIGNIFICANT · CL_283210 ·

    Google 发布 Gemini 4 Argon,支持 100 万 token 上限,面向网络安全防御者

    Google 发布了 Gemini 4 Argon,这是一款专为长周期任务设计的新型大型语言模型,尤其适用于软件工程、企业知识工作和网络安全领域。该模型将分阶段发布,初期将通过其 Fairwind Program 提供给部分网络安全防御者,随后计划向付费 API 客户和 Google AI Ultra 订阅用户提供更广泛的访问权限。Gemini 4 Argon 在 DeepSWE v1.1 和 LVBench 等多项评估中取得了令人印…

  8. TOOL · CL_252237 ·

    VideoXAgent 通过在线代理工具集解决长视频理解问题

    研究人员开发了 VideoXAgent,这是一个用于理解长视频的在线代理工具集。该系统可以规划任务,按需使用 VLMs、OCR 和 ASR 等专业工具,并聚合证据来回答查询。VideoXAgent 旨在克服将整个视频打包到单个上下文窗口中带来的上下文遗忘和高计算成本的限制。与密集打包基线相比,它在 Video-MME-Long 和 MINERVA 等基准测试中表现出具有竞争力的性能,即使上下文占用空间显著减小。

  9. RESEARCH · CL_227206 ·

    新方法利用合成数据和时间分析增强AI对长视频的理解 · 跟踪4个来源

    研究人员正在开发新方法,以改进大型多模态模型理解长视频的方式。一种名为SynMulti的方法使用合成数据生成管道,为对象计数和问答等任务创建无限的带注释视频数据,表明合成数据可以很好地泛化到现实世界场景。其他方法,如RIDGE和Temporal Tree of Thought (T^3),通过分析视频中的时间信号和分层结构来专注于高效帧选择,以更好地捕捉关键时刻和上下文。STITCH提供了一种无需训练的方法,将视频分割成有意义的时间块…

  10. RESEARCH · CL_216170 ·

    新的基准和架构推动了 MLLMs 中的长视频理解

    研究人员正在开发新的方法来改进多模态大语言模型 (MLLMs) 理解长视频的方式。一种方法 MoTE 使用任务专家混合 (Mixture of Task Experts) 将计算路由到特定任务模块,从而提高视频语言任务的准确性和效率。另一个重点是优化模型如何从长视频中提取相关信息,例如 VideoHarness-RSI 通过递归搜索有效的上下文构建程序,以及 TRACE 专注于证据支持的答案。此外,还推出了 Video-IFBench…

  11. TOOL · CL_206601 ·

    新的CARVE探针通过破坏帧内容来审计视频代理的可靠性

    研究人员开发了CARVE,一种新的黑盒反事实探针,用于审计视频代理的可靠性。CARVE比较了当检索到的视频帧的语义内容被破坏时代理答案的变化,以及当同一管道在这些帧上重新执行时的情况。在对VideoExplorer风格的代理进行的实验中,CARVE显示出显著且可复现的效果,在帧内容被破坏时更频繁地改变代理的答案。该探针还显示出作为路由信号的潜力,提高了在基准数据集上的准确性。

  12. TOOL · CL_193450 ·

    MERIT框架简化超长视频理解

    研究人员开发了MERIT,一个用于理解超出当前多模态大语言模型实际处理限制的超长视频的新框架。MERIT采用两阶段方法,首先构建一个注重可检索性的查询无关记忆,然后进行基于检索的推理。该方法利用了情景多键表示进行精确记忆检索,并通过在推理时扩展检索片段周围的时间范围来捕获更广泛的语义上下文的邻居过滤机制。MERIT在EgoLifeQA、LVBench和Video-MME (Long)等基准测试中展示了最先进的性能。

  13. RESEARCH · CL_167440 ·

    新框架通过自适应帧处理提升 MLLM 长视频理解能力 · 跟踪 3 个来源

    三篇新研究论文介绍了增强多模态大语言模型(MLLM)长视频理解能力的新型框架。这些方法旨在通过自适应地选择和处理相关视频帧来克服固定上下文窗口的限制。ReMem 专注于解析问题的时序粒度并将帧与查询语义对齐,而 CADER 则动态推理证据置信度,绕过对简单问题的不必要处理。GenEvA 将选定的帧聚合为潜在证据表示,以最小的开销提高性能。

  14. TOOL · CL_152094 ·

    新的VideoTreeSearch框架实现了用于长视频问答的自纠错智能体

    研究人员推出了一种新颖的框架VideoTreeSearch (VTS),该框架通过将长视频问答任务视为自适应时间树上的自纠错搜索来改进该任务。与先前使用单一操作来缩小视频片段范围的方法不同,VTS采用了四种操作——放大(zoom_in)、缩小(zoom_out)、移动(shift)和回答(answer)——以实现显式的回溯和错误恢复。这种分层搜索方法通过轨迹合成管道进行训练,并通过准确性奖励进行强化,在CG-Bench和Haystac…

  15. TOOL · CL_135427 ·

    目标驱动数据优化加速多模态AI训练

    研究人员开发了一个名为目标驱动数据优化(GDO)的框架,以提高多模态指令调优的效率。GDO计算样本描述符,以创建针对特定目标的优化训练子集,与Uni-10x等现有方法相比,能够以更少的样本实现更快的收敛和更高的准确性。当应用于Qwen3-VL-8B-Instruct模型时,GDO在MVBench和VideoMME等基准测试中取得了优越的结果,证明了其在减少多模态训练中计算低效率方面的有效性。

  16. TOOL · CL_128730 ·

    新的DELTAVID框架提升视频大语言模型的细粒度感知能力

    研究人员推出了一种新颖的DELTAVID框架,旨在提升视频多模态大语言模型(Video MLLMs)的细粒度时空感知能力。该方法将识别相似视频之间差异的任务转化为可训练信号,使模型能够精确识别局部变化、时间边界和空间证据。该框架得到了DELTAVID-10K和DELTAVID-Bench数据集的支持,这些数据集旨在促进这些感知技能的可扩展训练和可靠评估。实验表明,DELTAVID显著提升了跨视频差异理解的性能,并将这种改进的局部证据推…

  17. RESEARCH · CL_97982 ·

    OmniAgent 使用主动感知进行高效视频理解 · 已追踪 2 个来源

    研究人员推出 OmniAgent,这是一种新颖的全模态智能体,用于视频理解,它利用基于部分可观察马尔可夫决策过程 (POMDP) 的迭代式观察-思考-行动 (Observation-Thought-Action) 循环。这种方法允许智能体选择性地将视听线索提炼成文本记忆,从而将推理复杂性与原始视频时长解耦,提高计算效率。该论文详细介绍了两种关键的训练方法:用于引导主动感知的智能体监督微调 (Agentic Supervised Fin…

  18. RESEARCH · CL_95864 ·

    新的基准和模型在机器人和推理领域推进视觉-语言能力 · 跟踪了10个来源

    近期研究探讨了多个领域中视觉-语言模型(VLM)的进展。DeCAL 引入了一个新的模型,用于灵巧操作,该模型集成了触觉感知和视觉-语言理解。ROBORMBENCH 强调了 VLM 奖励模型在机器人领域对释义的脆弱性,并提出了一个衡量这种不稳定的基准。KoNA 和 FPCO-Dialog 分别针对 VLM 中的选择性不合规和持续的错误前提,提出了新的基准和微调策略。MultihopSpatial 专注于提高 VLA 代理的多跳组合空间推…