VideoLVR：视频潜在视觉推理方法提出

2026年10月28日，arXiv Artificial Intelligence 刊出 Shilong Li 等作者的 VideoLVR 视频理解方法。据该报道，VideoLVR 针对多模态大模型语言推理链中的视觉遗忘问题，从视频相关时刻的局部区域构建潜在视觉证据，为中间推理步骤提供视觉支撑。该方法引入视觉 token 预测目标，将视觉 token 重建表述为对输入视频词表的预测，使视觉证据重建与文本生成统一在同一 token 预测框架内；并扩展至强化学习，将采样视觉 token 与文本 token 一并作为动作优化。目前报道所述进展为方法提出与框架描述，尚未见后续实验或应用跟进报道。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。