arXiv Computer Vision· Tianxiang Jiang, Linquan Wu, Sheng Xia, Songze Li, Ziang Yan, Haoyu Yang, Yu Qiao, Yi Wang·· 2 小时前AI 评分27
Future-L1：面向视频事件预测的交错潜在视觉推理框架
Imagine Before You Predict: Interleaved Latent Visual Reasoning for Video Event Prediction
AI 导读
Future-L1 让 MLLM 在自回归解码中交替生成语言 token 与连续潜在视觉片段，避免中间推理被文字化后丢失运动、几何与交互细节。团队构建 Future-L1-50K 训练数据，并用带结果对比与时间多样性奖励的 LA-DAPO 优化潜在轨迹。
来源：arXiv Computer Vision · arxiv.org