Video-MME-v2
PulseAugur coverage of Video-MME-v2 — every cluster mentioning Video-MME-v2 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SleuthVLM研究表明，在视频理解方面，智能体推理优于音频
一篇新的研究论文介绍了一个名为SleuthVLM的视频理解智能体框架，该框架绕过了直接的音频处理。SleuthVLM将语音转录为文本，并使用视觉语言模型独立分析视频内容。这种方法在长视频基准测试中表现出色，优于Gemini 3.8 Flash等模型，并在Video-MME-v2排行榜上取得了最高分。研究结果表明，对于全视频理解，智能体推理能力比直接音频输入更关键。
-
新基准和方法增强了大型语言模型中的视听联合推理 · 跟踪了 5 个来源
研究人员开发了新的方法和基准来改进大型语言模型中的视听联合推理。OmniReasoningBench 和 OmniSeek 被介绍为旨在评估和增强模型整合来自音频和视觉输入信息能力的框架和数据集。这些方法旨在克服当前模型通常独立处理模态的局限性，从而提高需要跨模态理解的任务的性能。
-
Kwai发布Keye-VL-2.0用于长视频理解
Kwai发布了Keye-VL-2.0-30B-A3B，这是一个开源的多模态基础模型，专为长视频理解和智能体智能而设计。该模型利用DeepSeek稀疏注意力处理高达256K的上下文，捕捉长达一小时视频中的关键帧和时间依赖性。它还结合了跨模态多教师策略内蒸馏，以增强各种场景下的多任务对齐和智能体协作。评估显示在视频理解和时间定位基准测试中取得了最先进的性能。
-
GridProbe 降低长视频 VLM 的计算成本
研究人员开发了 GridProbe，一种提高长视频视觉语言模型 (VLM) 效率的新方法。该技术在推理过程中自适应地选择相关帧，从而降低了处理数千帧的计算成本。GridProbe 通过在答案空间中探测帧的重要性来实现这一点，从而能够在不牺牲准确性的情况下根据问题难度动态调整处理的帧数。