VideoLatent

VideoLatent MLLM 通过高效的潜在自强制增强视频推理能力

研究人员开发了 VideoLatent，这是一种新颖的多模态大语言模型（MLLM），旨在增强视频理解和推理能力。与需要大量标注或计算成本高昂的先前方法不同，VideoLatent 采用了一种新颖的潜在自强制训练范式。该方法包括潜在对齐和多样性目标，仅依赖标准的视频-问答三元组，使其更具可扩展性和效率。在 14 个基准测试上的实验表明，VideoLatent 的性能优于现有模型，与 Video-R1 等模型相比，在训练和推理开销方面有显著降低。