CVPR2026 视频理解论文解读论文笔记目标跟踪推理压缩/编码异常检测 Agent 多模态

📹 视频理解¶

📷 CVPR2026 · 179 篇论文解读

📌 同领域跨会议浏览： 🧪 ICML2026 (17) · 💬 ACL2026 (16) · 🔬 ICLR2026 (10) · 🤖 AAAI2026 (27) · 🧠 NeurIPS2025 (39) · 📹 ICCV2025 (56)

🔥 高频主题： 目标跟踪 ×34 · 推理 ×18 · 压缩/编码 ×11 · 异常检测 ×8 · Agent ×7

A Multi-Agent Perception-Action Alliance for Efficient Long Video Reasoning: 提出 A4VL，一个无训练的多智能体感知-行动联盟框架，通过事件驱动视频分块、线索引导的关键帧选择和多轮智能体协商剪枝机制，在五个视频问答基准上以显著更低的推理延迟全面超越 28 个基线方法。
Adaptive Capacity Autoregressive Visual Tracking: ARTrack-AC 把自回归跟踪从"固定算力逐帧预测"扩展成"系统级自回归"——用一个轻量扩散轨迹估计器预判未来一小段视频的稳定性，再让控制器在简单段切到低算力并行模式、在困难帧切到高算力顺序模式，从而在 LaSOT 上达到 66.7% AUC 的同时比前作快 2.9 倍。
AdaSpark: Adaptive Sparsity for Efficient Long-Video Understanding: 提出 AdaSpark，通过 3D 时空 cube 分区和两个协同的自适应稀疏机制（cube 级注意力选择 + token 级 FFN 选择），将长视频处理 FLOPs 降低最多 57% 同时保持性能。
Affordance-First Decomposition for Continual Learning in Video–Language Understanding: 针对视频-语言持续学习中"什么该稳定、什么该可塑"边界模糊的问题，本文提出 Affordance-First Decomposition（AFD）：把视频映射成缓变的 affordance token 作为跨任务共享、稳定的"证据底座"，把可塑性集中到一个按 query 路由、按冲突长秩的 LoRA 调度器里，并用仅存储问题（不存视频）的回放蒸馏来防遗忘，在 ViLCo-Bench、domain/time-incremental VideoQA 上同时拿到更高准确率与更低遗忘。
Alert-CLIP: Abnormality-aware Latent-Enhanced Representation Tuning of CLIP for Video Anomaly Detection: 针对 CLIP 在文本空间里把"正常"和"异常"描述高度纠缠、导致视频对两类 prompt 给出几乎一样相似度的问题，本文用全局/区域/难负样本三级跨模态对比训练（配套自建的带框标注数据集 VAGTA）重塑 CLIP 的嵌入几何，让它成为异常感知更强的 backbone，在弱监督、零样本、开放词表三种 VAD 设定下都稳定超过原始 CLIP。
An Efficient Token Compression Framework for Visual Object Tracking: 针对多帧模板跟踪中视觉 token 爆炸又冗余的问题，ETCTrack 用一个可学习的自适应 token 压缩器（ATC）先把历史模板帧压成精炼子集、再用层级交互块（HIBlock）与搜索区域深度交互，在 7 个跟踪基准上同时刷新精度并降低计算量（模板 token 减 60%、MACs 减 21.4%，精度仅掉 0.4%）。
An Empirical Study on How Video-LLMs Answer Video Questions: 这篇论文用"注意力 knockout"系统性地解剖了 Video-LLM 回答视频问题的内部机制，发现它们存在清晰的"前层感知、后层推理"两阶段模式、时空建模主要靠语言→视频的检索而非帧内/帧间视频自注意力、且只有少数中间层是关键层，并据此设计了一个简单的视觉 token 早退 + 时序注意力裁剪策略大幅省算力而几乎不掉点。
Attend Before Attention: Efficient and Scalable Video Understanding via Autoregressive Gazing: 提出 AutoGaze，一个仅 3M 参数的轻量模块，在 ViT 之前自回归选择最少的多尺度 patch 集合以重建视频，去除 4×-100× 时空冗余，实现 ViT 最高 19× / MLLM 最高 10× 加速，首次使 MLLM 可扩展到 1K 帧 4K 分辨率视频，在 VideoMME 上达到 67.0%。
Beyond Caption-Based Queries in Video Moment Retrieval: 本文指出现有视频时刻检索（VMR）模型在「描述式 caption 查询」上训练、却在「真实搜索查询」上崩盘，根因是 DETR 解码器查询坍缩到只有 4 个活跃；通过构建三个搜索查询基准 + 去掉解码器自注意力 + 查询 dropout 两处架构改动，在搜索查询上把 mAPm 最高提升 14.82%、多瞬间查询上提升 21.83%。
Beyond Explicit Language: Plug-and-Play Visual-to-Linguistic Modeling Toward General Object Tracking: 针对视觉-语言跟踪依赖静态文本、缺文本即失效的痛点，本文提出一个即插即用模块 TIMI：用"文本反演模块"把模板和搜索区域的视觉 patch 反向映射成 CLIP 文本嵌入空间里的伪描述（pseudo-description），再通过"多层语义注入机制"把这些隐式语言线索逐层注回视觉骨干，从而无需任何显式文本输入就能为跟踪提供动态自适应的语义引导，在 MCITrack/DUTrack/SeqTrack 等多个跟踪器上以极小开销稳定涨点。
Boosting Self-Supervised Tracking with Contextual Prompts and Noise Learning: PNTrack 给自监督跟踪器装上一套「双模态上下文关联（DCA）」机制——训练早期把语义 patch token 当提示喂给前/后向跟踪分支加速收敛，后期再注入随机背景 token 当噪声扰动特征空间逼模型学鲁棒表征，且整套机制只在训练时启用、推理时完全去掉，在 8 个跟踪基准上刷新了自监督 SOTA。
Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation: DiTTA 用一个轻量时序 add-on，把只会逐帧分割的图像分割（ISS）模型在测试视频的前若干帧上、靠蒸馏 SAM2 的时序传播能力做测试时自适应（TTA），把它"自举"成视频专用的 VSS 模型，之后冻结模型对剩余帧高速推理，无需任何视频标注，且在 VSPW 上反超全监督 VSS 方法。
Breaking Smooth-Motion Assumptions: A UAV Benchmark for Multi-Object Tracking in Complex and Adverse Conditions: 作者提出 DynUAV——一个故意用激进无人机机动制造强烈自运动（ego-motion）的多目标跟踪基准（42 段视频、170 万+ 标注框、8 类目标），打破现有 UAV-MOT 数据集"平滑近线性运动"的隐含假设，并用 11 个 SOTA 跟踪器证明：在剧烈视角/尺度突变下，现有方法的检测和关联会同时崩盘。
Building a Precise Video Language with Human-AI Oversight: 针对视频字幕"无规范、无监督、模型爱幻觉"的老问题，本文用一套结构化规范（5 个维度 + 200+ 视觉基元） 定义"该描述什么"，再用 CHAI（批评式人机监督） 让模型先写 pre-caption、人类只写"批评"指出错误、模型据此改成 post-caption，自然产出 (pre-caption, critique, post-caption) 三元组；用这些偏好和批评信号做 SFT/DPO 后训练，让开源 Qwen3-VL-8B 在字幕生成、奖励建模、批评生成三项任务上全面超过 Gemini-3.1-Pro，并能反哺 Wan2.2 文生视频跟随 400 词的长 prompt。
CaST-Bench: Benchmarking Causal Chain-Grounded Spatio-Temporal Reasoning for Video Question Answering: CaST-Bench 提出"因果链时空 grounding 视频问答"这一新任务——模型不仅要答对，还要把答案落到一条由时间段 + bounding box 标注的因果证据链上；通过人机协作流水线构建了 1,015 段视频、2,066 道题的高质量数据集，并设计了同时评估答案正确性与证据 grounding 的指标，实测 15 个主流 VLM 表现远低于人类（最佳 50.34% vs 人类 91.89%）。
Temporally Consistent Long-Term Memory for 3D Single Object Tracking: 提出 ChronoTrack，通过紧凑的可学习记忆 token 和两个互补目标（时间一致性损失 + 记忆循环一致性损失）构建鲁棒的长程 3D 单目标跟踪框架，在多个基准上达到 SOTA 并以 42 FPS 实时运行。
CineSRD: Leveraging Visual, Acoustic, and Linguistic Cues for Open-World Visual Media Speaker Diarization: 提出 CineSRD，一个免训练的多模态说话人分离框架，通过视觉锚点聚类进行说话人注册，结合音频语言模型进行说话人转换检测，解决影视作品中长视频、大量角色、音视频不同步等开放世界挑战。
CLCR: Cross-Level Semantic Collaborative Representation for Multimodal Learning: 提出 CLCR 框架，将每个模态特征组织为三层语义层级（浅/中/深），通过层内受控交换域（IntraCED）限制跨模态交互仅在共享子空间进行，通过层间协同聚合域（InterCAD）实现跨层自适应融合，解决多模态学习中的跨层语义不同步问题。
Cluster-Wise Spatio-Temporal Masking for Efficient Video-Language Pretraining: 提出 ClusterSTM，通过帧内语义聚类和逐簇时空掩码策略，在高掩码率下保留语义完整的视觉 token，同时引入视频-文本相关性重建目标，以极低的计算代价实现视频语言模型的高效预训练，在检索、VQA、字幕等任务上达到高效模型的新 SOTA。
CoCoVideo: The High-Quality Commercial-Model-Based Contrastive Benchmark for AI-Generated Video Detection: 针对现有 AIGC 视频检测数据集普遍依赖低质量开源生成模型、难以泛化到高保真商业模型的问题，本文构建了覆盖 13 个商业生成模型、26K 段"语义对齐真假配对"的 CoCoVideo-26K 基准，并提出 CoCoDetect 框架——用 R3D-18 双头对比训练捕捉纹理级差异、再用置信度门控把不确定样本路由给 MLLM 做物理/语义推理，在自建集上平均 Acc 90.69%、AUC 95.93%，均超过现有方法。
Color When It Counts: Grayscale-Guided Online Triggering for Always-On Streaming Video Sensing: 提出"灰度常开、彩色按需"新范式，通过 ColorTrigger 在灰度流上用轻量二次规划在线检测色彩冗余，仅使用 8.1% 的 RGB 帧即保持全彩基线 91.6% 的性能，实现资源受限设备的 always-on 视频感知。
Compositional Transformation Reasoning for Composed Video Retrieval: 针对"给定参考视频 + 修改文本、检索目标视频"的组合视频检索任务，本文提出零样本框架 MoRe：先用多目标帕累托排序召回一小批高质量候选，再让 MLLM 把视频拆成"实体/动作/场景"三维语义、以两两比较的方式推理哪个候选最符合修改意图，在 EgoCVR / WebVid-CoVR 上 R@1 分别提升 +5.8 / +10.8。
CoWTracker: Tracking by Warping instead of Correlation: CoWTracker 把稠密点追踪里"算 cost volume 找匹配"换成"按当前轨迹估计把目标帧特征 warp 回参考帧 + 时空 Transformer 全局推理"，去掉了随分辨率平方增长的代价体，在 TAP-Vid / RoboTAP 上拿到 SOTA，且同一个模型零样本迁移到光流也能打过专门的光流方法。
CVA: Context-aware Video-text Alignment for Video Temporal Grounding: 提出 CVA（Context-aware Video-text Alignment）框架，通过 Query-aware Context Diversification（QCD）、Context-invariant Boundary Discrimination（CBD）损失和 Context-enhanced Transformer Encoder（CTE）三个协同组件，解决视频时序定位中的假阴性和背景关联问题，在 QVHighlights 上 R1@0.7 提升约 5 个点。
DarkAct: A RGB-Thermal Dataset and Fusion Framework for Multimodal Low-Light Action Recognition: 针对夜间/低光照下人体动作识别缺数据、缺方法的空白，作者构建了首个大规模 RGB–热成像配对视频数据集 DarkAct（12,778 对视频、27 类动作），并提出融合框架 DarkAct-Net——用运动感知注意力提取人体运动显著区、用光照自适应融合按可靠性动态整合两模态，在多模态识别上达到 74.4% Top-1，大幅超越所有单模态与现有融合基线。
DarkShake-DVS: Event-based Human Action Recognition under Low-light and Shaking Camera Conditions: 针对"低光 + 手持 6-DoF 抖动"这一真实但被长期忽视的动作识别场景，本文先用 IMU 角速度驱动一套自适应运动补偿（AIMC）把抖动造成的事件流畸变矫正掉，再用迭代贪心采样（IGS）挑出最有信息量的关键帧，最后用四阶段混合 Swin Transformer（HSTS）做识别，并配套发布了首个低光 + 强抖动 + 同步 IMU 的事件动作数据集 DarkShake-DVS（18,041 段、62 类），在三个基准上均超过 SOTA。
Decompose and Transfer: CoT-Prompting Enhanced Alignment for Open-Vocabulary Temporal Action Detection: 提出 Phase-wise Decomposition and Alignment (PDA) 框架，利用 LLM 的 CoT 推理能力将动作标签分解为"开始-中间-结束"三个阶段描述，通过文本引导的前景过滤和自适应阶段对齐实现细粒度动作模式迁移，在 THUMOS14 OV-TAD 上 Avg mAP 达 46.9（超越 SOTA Ti-FAD 的 41.2）。
DETACH: Decomposed Spatio-Temporal Alignment for Exocentric Video and Ambient Sensors with Staged Learning: 针对"固定摄像头视频 + 环境传感器"这一全新的非侵入式动作识别场景，DETACH 把视频和传感器都拆成"空间分量 + 时间分量"，先用在线聚类建立跨模态的空间对应，再用空间引导的加权对比损失做细粒度时间对齐，在 Opportunity++ / HWU-USP 上比改编自第一人称基线的方法 F1 提升最高 30%、mAP 提升最高 50%。
DIvide, then Ground: Adapting Frame Selection to Query Types for Long-Form Video Understanding: 提出 DIG，一个免训练的帧选择框架，通过将查询分为全局查询和定位查询两类，对全局查询使用均匀采样、对定位查询使用一套专门的内容自适应帧选择+LMM奖励评分+视频精炼流水线，在三个长视频理解基准上持续超越现有方法。
Do You See What I Am Pointing At? Gesture-Based Egocentric Video Question Answering: 提出 EgoPointVQA 数据集和 HINT（Hand Intent Tokens）方法，通过将 3D 手部关键点编码为手意图 token 并与视觉 token 交错输入 MLLM，解决第一人称视频中基于手势指向的指示性问答任务，HINT-14B 达 68.1% 准确率超越 InternVL3-14B 5.4pp。
Drift-Resilient Temporal Priors for Visual Tracking: 提出 DTPTrack——一个轻量即插即用的时序建模模块，通过时序可靠性校准器（TRC）为历史帧分配可靠性分数过滤噪声，并通过时序引导合成器（TGS）将校准后的历史信息合成为动态先验 token 抑制跟踪漂移，在多个基准上达到 SOTA。
Dual-Agent Reinforcement Learning for Adaptive and Cost-Aware Visual-Inertial Odometry: 提出双智能体强化学习框架，通过 Select Agent（基于IMU信号决定是否启动视觉前端）和 Fusion Agent（自适应融合视觉-惯性状态）两个轻量RL策略，在不完全移除VIBA的前提下大幅降低其调用频率和计算开销，实现精度-效率-显存的更优折中。
EarlyTom: Early Token Compression Completes Fast Video Understanding: EarlyTom 是一个免训练的视频 token 压缩框架，它把压缩点从"视觉编码器之后"提前到"视觉编码器内部"做帧合并，再配一套解耦的空间 token 选择策略，在 LLaVA-OneVision-7B 上把首 token 时延（TTFT）最多降 \(2.65\times\)、FLOPs 降 61%，同时精度保持在全 token 基线的 96% 以上。
Efficient All-Pairs Correlation Volume Sampling for Optical Flow Estimation: 针对 RAFT 系光流方法里「全配对相关体采样」在高分辨率下要么显存爆炸、要么算得慢的两难，本文从「实际只采样了 1.6% 的相关体」这一观察出发，设计了一个块稀疏 + patch-major 布局 + 融合 CUDA kernel 的采样算子：在数学上逐位精确复刻 RAFT 的采样定义，却把时空复杂度从平方降到线性 \(\mathcal{O}(n)\)，端到端推理最多省 63–67% 时间，并在自建 8K 数据集上拿到精度-速度 Pareto 前沿的 SOTA。
Efficient Frame Selection for Long Video Understanding via Reinforcement Learning: 针对长视频理解中"均匀采样漏掉关键帧"的问题，本文训练一个轻量、即插即用的查询自适应帧选择器——先用冻结 CLIP 蒸馏出语义相关性先验，再用改进的 GRPO（带帧级+组合级分层奖励）直接以下游 MLLM 答对率为信号微调，在四个中长视频 benchmark 上平均涨 +3.28%、长视频上更明显。
Ego-Grounding for Personalized Question-Answering in Egocentric Videos: 本文提出 MyEgo——首个针对「个性化自我中心视频问答」的诊断性基准（541 段长视频、5K 道问"我的东西/我的活动/我的过去"的问题），系统检验主流 MLLM 是否能做 ego-grounding（理解、记住、追踪"戴相机的人/我"）；结果发现 GPT-5 仅 46% 准确率、落后人类近 40 个点，且放大模型规模和加思维链都救不了，瓶颈在长程记忆与身份追踪。
EgoXtreme: A Dataset for Robust Object Pose Estimation in Egocentric Views under Extreme Conditions: 提出 EgoXtreme，首个面向极端条件下第一人称视角的大规模 6D 物体位姿估计基准数据集，涵盖严重运动模糊、动态光照和烟雾遮挡三种真实挑战，揭示了当前 SOTA 位姿估计器在这些条件下的严重失效。
Enhancing Accuracy of Uncertainty Estimation in Appearance-based Gaze Tracking with Probabilistic Evaluation and Calibration: 提出一种数据高效的后验校准方法，通过等保序回归将不确定性感知视线追踪模型的预测分布与真实观测分布对齐，并引入 Coverage Probability Error (CPE) 指标替代不可靠的误差-不确定性相关性(EUC)来评估不确定性质量。
Envisioning the Future, One Step at a Time: 本文将开放集未来场景动态预测建模为稀疏点轨迹的逐步推理，通过自回归扩散模型实现从单张图像快速生成数千种多样化未来假设，速度比稠密模型快数个数量级。
EthoCLIP: Ontology-Enhanced Video-Language Pretraining for Animal Behavior Understanding: 针对动物行为视频"数据极度稀缺"的痛点，本文把专家构建的神经行为本体（NBO）当作归纳偏置注入 CLIP 式视频-语言对比学习：先用本体统一标注口径构建 7.4 万条视频的 AnimalBand 数据集，再用本体语义嵌入 + 层级感知图注意力把行为标签之间的"父子/同义"关系显式编码进文本端，从而在迁移与分类上显著超过传统骨干和通用 VLM，且只用 40%–60% 数据就能逼近全量效果。
Event6D: Event-based Novel Object 6D Pose Tracking: EventTrack6D 提出事件-深度融合的 6D 位姿追踪框架，通过在任意时间戳重建强度和深度图像来弥补事件相机与深度帧率的差异，在仅合成数据训练的条件下以 120+ FPS 实现了对未见目标的鲁棒追踪。
Exploring Adaptive Masked Reconstruction for Self-Supervised Skeleton-Based Action Recognition: 针对骨架掩码自编码器（MAE）训练慢、且对所有时空区域一视同仁的问题，AMR 用「解耦的交叉注意力解码器」实现「预测更少更大 patch」来大幅加速，再用「运动能量引导的焦点重建」把大 patch 重建的注意力压到高运动区域，在 NTU-60/120、PKU-II 上既快 8 倍又涨点，超过现有 SOTA。
Fine-VAD: Towards Fine-Grained Video Anomaly Detection via Progressive Cross-Granularity Learning: 针对"每类异常样本太少"的细粒度视频异常检测难题，本文提出渐进式跨粒度学习范式——先用海量二元标签学通用异常表示、再用 K-means 伪宏类搭中间语义骨架、最后用稀疏类别标签精修，并以 CLIP 对齐实现为 Fine-VAD，在 UCF-Crime / XD-Violence 上把细粒度异常分类的平均 mAP 相对提升达 47.7%。
FlexiVideo: Variation-Aware Temporal Dynamics Modeling for Efficient Video Understanding: FlexiVideo 不再对所有视频帧用固定的多帧编码窗口，而是先按帧间差分把视频切成"内部视觉变化平缓"的场景片段，再用一个可动态调整时序窗口的共享 3D 卷积核做场景级编码，从而在把视觉 token 砍掉 43.5% 的同时还能在 6 个视频基准上稳定超过 Qwen2.5-VL-3B。
FluxMem: Adaptive Hierarchical Memory for Streaming Video Understanding: 提出 FluxMem，一个无需训练的流式视频理解框架，通过层级化记忆设计（短期/中期/长期）和两个自适应 token 压缩模块（TAS 去时间冗余 + SDC 去空间冗余），在丢弃 60-70% 视觉 token 的同时在 StreamingBench 和 OVO-Bench 上取得新 SOTA。
Frame2Freq: Spectral Adapters for Fine-Grained Video Understanding: 提出 Frame2Freq——首个在频域进行时序建模的 PEFT 适配器族，通过 FFT 将冻结 VFM 的帧嵌入变换到频谱空间并学习频带级滤波，在五个细粒度动作识别基准上以 <10% 的可训练参数超越全量微调模型。
From Contrast to Consistency: Rethinking Event-based Continuous-Time Optical Flow Estimation: 针对事件相机连续时间光流缺乏密集真值、而对比度最大化（CM）又只追求"对齐到一点"忽略轨迹连续性的问题，本文提出时空结构一致性（STSC） 自监督范式，把事件看成时空流形上的采样而非待对齐的散点，配合双向多尺度网络和课程引导的混合监督训练，在 DSEC-Flow / MVSEC 上同时刷新标准光流和高时间分辨率（HTR）光流的 SOTA（DSEC EPE 0.663，相对 BFlow 降 11.6%）。
Gamba: Mamba-based Graph Convolutional Network with Dynamic Graph Topology Learning for Action Recognition: 针对"直接把 GCN 和 Mamba 堆在一起会让 Mamba 沿着物理上不相邻的关节顺序乱扫"这一问题，Gamba 先用一个节点分类模块把骨架关节按运动类别重排成对 Mamba 友好的序列，再用单向扫描的状态空间模型同时建模类内局部与类间全局关系，配合 Mamba-TCN 做时序建模，在 NTU RGB+D 60/120 与 NW-UCLA 上以更低的自注意力开销刷到 SOTA。
GIFT: Global Irreplaceability Frame Targeting for Efficient Video Understanding: GIFT 是一个免训练的关键帧选择框架，把"选哪些帧喂给视频大模型"从贪心式逐帧加点，重构成全局评估每一帧的"不可替代性"（相关性高 × 在更相关帧中视觉上孤立），再用"预算自适应精化"随帧预算增大逐步补回时序上下文，在 LLaVA-Video-7B 上相比均匀采样最高平均提升 12.5%。
GoalForce: Teaching Video Models to Accomplish Physics-Conditioned Goals: 提出 Goal Force 框架，通过多通道物理控制信号（目标力、直接力、质量）在简单合成数据上训练视频生成模型，使其学会从目标效果逆向规划因果链，实现零样本泛化到工具使用、人-物交互等复杂现实场景。
Hear What Matters! Text-conditioned Selective Video-to-Audio Generation: SelVA 提出了文本条件的选择性视频到音频（V2A）生成任务，通过可学习的补充 token [SUP] 和自监督视频混合策略，使模型能够根据文本提示从多声源视频中仅生成用户指定的目标声音，在音频质量、语义对齐和时间同步上均超越现有方法。
HERBench: A Benchmark for Multi-Evidence Integration in Video Question Answering: HERBench 是一个专为多证据整合设计的视频问答基准，包含 26,806 个五选一问题，每题结构性地要求融合 ≥3 个时间分散的非重叠视觉线索；通过提出最小必需帧集（MRFS）指标揭示了当前 Video-LLM 的两个关键瓶颈：帧检索不足和证据融合失败。
HERO: Hierarchical Embedding-Refinement for Open-Vocabulary Temporal Sentence Grounding in Videos: 本文提出"开放词表时序句子定位"（OV-TSGV）新任务并构建 Charades-OV / ActivityNet-OV 两个基准，配套设计即插即用框架 HERO——用层次化文本嵌入捕捉多粒度语义，再用语义引导的视觉过滤 + 对比式掩码文本精炼并行强化对齐，在标准与开放词表两类基准上都刷到 SOTA。
HieraMamba: Video Temporal Grounding via Hierarchical Anchor-Mamba Pooling: HieraMamba 提出了基于 Mamba 的层次化视频时间定位架构，核心是 Anchor-MambaPooling（AMP）模块，用 Mamba 的选择性扫描将视频特征逐层压缩为多尺度锚点 token，配合 anchor-conditioned 和 segment-pooled 对比损失增强层次表示的紧凑性和判别性，在 Ego4D-NLQ、MAD 和 TACoS 上达到 SOTA。
Hypergraph-State Collaborative Reasoning for Multi-Object Tracking: 针对多目标跟踪里运动估计"各目标独立预测、易抖动、遮挡即断"的老毛病，本文提出 HyperSSM：用超图把运动状态相近的目标连成超边做"群体共识"，再把超图卷积嵌进状态空间模型（SSM）的状态转移里同时管时间平滑，从而让相关目标互相约束、彼此补全运动，在 MOT17/MOT20/DanceTrack/SportsMOT 四个线性与非线性基准上都拿到 SOTA。
Image Guides Images: Consistent Video Amodal Completion with Rectified In-Context Exemplar Guidance: IC-Amodal 提出一个训练免微调的视频非模态补全（VAC）框架：直接借用预训练图像 inpainting 模型（Flux.1-Fill），把 VAC 重述成"整流式 in-context 学习"——用双帧协同构造可靠样例解决冷启动，再通过子区域注意力权重调制把模型注意力锚定到样例上，从而在不训练的情况下同时拿到开放世界泛化和帧间一致性，超过需要在合成数据上微调的 SOTA。
Incentivizing Versatile Video Reasoning in MLLMs via Data-Efficient Reinforcement Learning: 本文提出 VideoReasoner：直接在 Base MLLM（Qwen2-VL-7B-Base）上用 3K 冷启动 + 5K 强化学习共 8K 数据，训练出"事件推理 / 关键帧推理 / 直接回答"三种视频推理能力，再在推理阶段把它们组合成"先定位关键事件与关键帧、再密集采样回灌生成答案"的流水线，在 7 个视频基准上大幅超过 Base 模型，并在多个基准上追平甚至超越用大规模数据训练的 Qwen2.5-VL-7B-Instruct。
Interactive Tracking: A Human-in-the-Loop Paradigm with Memory-Augmented Adaptation: 提出"交互式跟踪"新范式——用户可在视频任意时刻用自然语言指令引导/纠正跟踪器，配套发布首个大规模交互跟踪基准 InteractTrack（150 视频、14 万帧、四维评测协议）并实测 25 个 SOTA 跟踪器全部失效，再给出带正负记忆库的强基线 IMAT。
InternVideo-Next: Towards World-Understanding Video Models: InternVideo-Next 把传统掩码视频建模的"编码器-解码器"拆成 编码器-预测器-解码器（EPD） 三段，并用两阶段自监督预训练（阶段一：条件扩散解码器 + 图像级语义先验构造一个"既保细节又有高语义"的潜空间；阶段二：在该潜空间上向冻结教师做潜空间预测学世界知识），仅用公开无标注视频，就让一个没有任何视频-文本监督的模型在 K400/SSv2 等基准上首次超过视频-文本预训练对手。
Joint Learning of General and Diverse Patterns with Mixture of Memory Experts for Weakly-Supervised Video Anomaly Detection: MoME 用「内部记忆 + 共享外部记忆」的稀疏混合专家框架，让正常/异常两套专家在外部记忆里学共性、在内部记忆里学差异，再借 LLM 生成的异常语义原型来路由专家，从而同时兼顾泛化与判别，在 UCF-Crime 和 XD-Violence 上达到 SOTA（88.32% AUC / 86.15% AP）。
LAOF: Robust Latent Action Learning with Optical Flow Constraints: 提出LAOF框架，利用智能体的光流作为伪监督信号约束潜动作学习，使潜动作表示对干扰更鲁棒，在LIBERO和PROCGEN上显著超越无监督基线，且在无标签条件下匹配或超越使用1%动作标签的监督方法。
Learnable Motion-Focused Tokenization for Effective and Efficient Video Unsupervised Domain Adaptation: LMFT 在视频域适应里用「相邻帧 token 的 L1 运动差」量化每个 patch 的运动强度，再用强化学习学一个可微调的运动阈值丢掉低运动（背景）token，只把动作相关 token 送进 ViT，从而同时缓解背景引起的域偏移、把训练时间砍掉 10–20 倍。
Learning from Noisy Supervision: A Denoising-Debiasing Framework for Weakly Supervised Video Anomaly Detection: 针对弱监督视频异常检测中 MIL 框架"把异常包里的正常片段错当异常"的噪声监督问题，本文提出即插即用的 D2MIL 框架：先用"噪声样本损失更高"这一规律动态丢弃高损失噪声，再用冻结 VLM 把被误删的难样本捞回来，在 ShanghaiTech / UCF-Crime / MSAD 上稳定提升五种主流 MIL 基线。
Learning to Assist: Physics-Grounded Human-Human Control via Multi-Agent Reinforcement Learning: 提出 AssistMimic，将人-人辅助交互动作的物理模仿建模为多智能体强化学习（MARL）问题，通过运动先验初始化、动态参考重定向和接触促进奖励，首次实现了力交换型辅助动作的物理仿真跟踪。
Learning to Refuse: Refusal-Aware Reinforcement Fine-Tuning for Hard-Irrelevant Queries in Video Temporal Grounding: 针对视频时序定位（VTG）模型「凡查询必给一段时间」的盲目假设，本文用基于 GRPO 的强化微调（RA-RFT）配合四个奖励（格式、拒答-IoU、解释、查询纠错）和一个专门构造的「难无关查询」数据集 HI-VTG，让模型学会拒绝那些语义高度相似但实际不匹配的查询并解释原因，在多个 relevance-aware VTG 场景上把拒答与解释质量大幅拉高，同时不损伤正常的定位精度。
Learning Transferable Temporal Primitives for Video Reasoning via Synthetic Videos: 本文提出 SynRL：用纯代码程序化生成的合成视频（几何形状的运动/状态变化）教 VLM 学会"时序基元"（方向、速度、状态追踪等），核心发现是这些从抽象合成视频学到的基本时序技能能直接迁移到真实世界视频，仅用约 7.7K 合成 CoT 样本就在 15 个基准上全面提升，甚至胜过 Video-R1 的 165K 真实样本（约 21× 数据效率）。
LensWalk: Agentic Video Understanding by Planning How You See in Videos: 提出LensWalk，一个让LLM推理器主动控制视频观测范围和采样密度的智能体框架，通过reason-plan-observe循环实现自适应视频理解，无需微调即可在长视频基准上带来5%以上的即插即用性能提升。
Less is More: Token-Efficient Video-QA via Adaptive Frame-Pruning and Semantic Graph Integration: 针对视频问答中关键帧选择器普遍产生的"视觉回声"（temporally-proximate 近重复帧），本文提出一个即插即用的精炼层：用自适应帧剪枝（AFP）把冗余帧聚类合并，再用一张轻量文本语义图补偿被剪掉的语义，最高把输入 token 砍掉 82.2% 的同时，常常还反过来提升上游选择器的准确率。
LongVideo-R1: Smart Navigation for Low-cost Long Video Understanding: 提出 LongVideo-R1，一个配备推理能力的多模态 Agent，通过层次化视频树结构和智能导航策略，以平均仅 10.5 轮工具调用实现高效长视频问答，在精度-效率权衡上显著优于穷举式方法。
LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling: LongVT 让多模态大模型像人一样"先全局速览、再放大可疑片段"地看长视频——把模型自带的时序定位能力封装成一个原生的 crop_video 工具，在推理链中交错调用、反复"再看一眼"以纠错，并配套自建的 VideoSIAH 数据套件与三阶段训练，在四个长视频基准上刷新开源 SOTA。
MaskAdapt: Learning Flexible Motion Adaptation via Mask-Invariant Prior for Physics-Based Characters: 本文提出 MaskAdapt 框架，通过两阶段残差学习范式——先训练遮蔽不变的鲁棒基础策略，再训练冻结基础控制器上的残差策略来修改目标身体部位——实现灵活精准的物理仿真人形角色动作适应。
Matching Every Pair to Track Every Point: PairFormer for All-Pairs Tracking and Video Trajectory Fields: PairFormer 把视频运动建模从"追查询的几个点"升级成"预测任意帧对的稠密位移+可见性场"（All-Pairs Tracking, APT），用一个前馈 Transformer（时空编码器 + CorrBank + 广播运动混合器 + 轨迹场解码器）一次前向就吐出全序列一致的稠密轨迹场，并配套合成数据平台 PAIRender 提供 all-to-all 监督与基准，在 APT-Bench 上 SOTA、在标准 TAP 基准上也有竞争力。
MDS-VQA: Model-Informed Data Selection for Video Quality Assessment: MDS-VQA 让 VQA 模型"自己指出哪些视频它评不准"，用一个排序式失败预测器估计难度、再叠加内容多样性做贪心选择，只标注 5% 的"难且多样"子集做主动微调，就把多目标域平均 SRCC 从 0.651 提到 0.722 并拿到 gMAD 竞赛第一。
Memory Matters: Boosting Training-Free Zero-Shot Temporal Action Localization with a Learnable Lookup Table: 针对"训练无关零样本时序动作定位（TF ZS-TAL）逐视频独立适配、用完即丢、无法积累历史知识"的问题，本文用一张按动作类别维护、随测试流在线更新的可学习查找表（LLT）把高置信度"易判帧"聚合成类别原型，再配一个轻量残差模块把查找项和文本原型对齐到当前视频，从而在不微调 VLM 的前提下让训练无关 ZS-TAL 跨视频复用知识，在 THUMOS'14（75/25 划分）上把平均 mAP 从 T3AL 的 9.2 提到 12.8（相对 +40%）。
MER-Tracker: Towards High-Speed 3D Point Tracking via Multi-View Event-RGB Hybrid Cameras: 针对普通 RGB 相机帧率低（约 30fps）、拍高速运动会糊掉且帧间漏掉关键动态的问题，本文用「4 台 RGB + 2 台事件相机」搭了个长方体拍摄装置，并提出 MER-Tracker——把 RGB 的纹理保真和事件流的微秒级时间分辨率融合起来，在 150fps 下输出准确的高速 3D 点轨迹，是首个系统化的高速 3D 点跟踪工作。
META: Meta Evolution of Tool Trajectory Adaptation for Long-Video Understanding: META 让一个免训练的视频理解 agent 在反复解题中"自我进化工具箱"——把成功轨迹里反复出现的多步工具组合凝练成可复用的宏工具，把失败轨迹蒸馏成工具使用约束，不更新任何参数就在三个长视频 benchmark 上把强 VLM 提升 4.6%~7.6%。
Metadata-Aware Multi-Prompt Reasoning for Zero-Shot Accident Understanding: 本文把"看监控视频理解交通事故"拆成 when/what/where 三个独立子任务——先用视觉-语言相似度框出撞击时刻、再用 5 个互补提示 + 熵门控对裁判定事故类型、最后用事故类型和场景条件化的开放词表检测器定位撞击点，全程零微调、单张 24GB 显卡可跑，在 ACCIDENT@CVPR 2026 上把调和平均分从画面中心 baseline 的 0.349 提到 0.402。
MINERVA-Cultural: A Benchmark for Cultural and Multilingual Long Video Reasoning: 提出 MINERVA-Cultural 基准，包含 18 个语种/地区的 2400 个人工标注视频推理问题，通过证据图（evidence graph）和迭代错误隔离策略揭示当前 SOTA Video-LLM 在文化视觉感知上的严重不足（最强模型 Gemini-2.5-Pro 仅 45.07% vs 人类 95.22%）。
Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding: Minerva-Ego 是一个面向第一人称（egocentric）长视频复杂推理的评测基准——1,160 道纯人工标注的五选一难题，每题都配有把"何时（时间戳）"与"何处（分割掩码）"绑定起来的密集推理轨迹；作者用它揭示出 SOTA 视频模型（Gemini 2.5 Pro 仅 40.1%，人类 91.8%）的瓶颈主要在感知接地，并证明只要在像素上直接提示模型"看哪里、看哪一帧"，准确率最高可提升约 5.8%。
Mistake Attribution: Fine-Grained Mistake Understanding in Egocentric Videos: 本文提出 Mistake Attribution (MATT) 任务，将第一人称视频中的操作错误归因到语义（违反了指令的哪个成分）、时间（不可逆转点 PNR 在哪一帧）和空间（PNR 帧中错误区域在哪里）三个维度，通过 MisEngine 数据引擎自动从已有动作数据集构建大规模错误样本，并设计统一的 Transformer 模型 MisFormer 同时完成三个归因子任务，在多个基准上超越各子任务的专用 SOTA 方法。
MoVie: Broaden Your Views with Human Motion for Action Detection: MoVie 把人体骨架运动拆解成一组「运动基元」（可学习的运动字典），再用一个正交投影把这些细粒度运动信号当作「正则器」去校正 RGB 视觉特征，而不是粗暴地把两路特征拼接/融合——在 TSU、Charades、Multi-THUMOS、PKU-MMD 四个真实场景数据集上把帧级动作检测推到新 SOTA（TSU-CS 上比纯视觉基线提升约 +15.9% mAP）。
MovieRecapsQA: A Multimodal Open-Ended Video Question-Answering Benchmark: 提出 MovieRecapsQA，一个基于电影解说视频构建的多模态开放式视频问答基准，包含 60 部电影的约 8.2K 个问题，并设计了基于原子事实 (atomic facts) 的无参考评估指标，揭示了当前 MLLM 在视觉感知而非推理上的关键瓶颈。
MPL: Match-guided Prototype Learning for Few-shot Action Recognition: 针对少样本动作识别里「原型学习」和「视频匹配」各自为政、原型与匹配方法不兼容的问题，MPL 把匹配结果反过来用作原型构造的引导信号——先用样本级 E-Match 借 query 语义增强 support 原型、再用跨样本注意力聚合共享动作模式、最后用帧级 K-Match 做精细化，从粗到细地造出更判别、且天然兼容匹配机制的类原型，在四个数据集上刷到 SOTA。
MS-Temba: Multi-Scale Temporal Mamba for Understanding Long Untrimmed Videos: MS-Temba 把 Mamba 的状态空间模型改造成"多尺度膨胀 SSM"，用一组不同时间步幅（dilation）的并行分支堆叠成层级结构，再用一个轻量 Mamba 融合器统一各尺度特征——仅 17M 参数就在 40 分钟级的密集标注日常活动视频上把时序动作检测（TAD）做到 SOTA，比 Transformer 方案省 5 倍参数。
MTLLFM: Multimodal-Temporal Laughter Localization: 把视频中的"笑声检测"从粗粒度的片段级分类升级为亚秒级的时序定位：用冻结的 HuBERT + MAE 编码器加一套轻量的"时序软最大池化 + 自适应模态门控"，仅靠片段级标签（弱监督）就能学出每次笑声的精确起止边界，在体育广播数据上拿到 99% 分类 F1、68.1% 定位精度，超过 Gemini 3 Flash 等多模态大模型，并配套发布了 11,053 段视频的 UR-FUNNY-Temporal / SMILE-Temporal 时序标注。
MuKV: Multi-Grained KV Cache Compression for Long Streaming Video Question-Answering: MuKV 把流式长视频的历史 KV 缓存按 patch/frame/segment 三种粒度同时存储，再用「自注意力 + 频率」双信号剪枝压缩冗余、用「半分层检索」在线召回相关缓存，在不增加显存和在线延迟的前提下显著提升长流视频问答准确率。
MV-TAP: Tracking Any Point in Multi-View Videos: MV-TAP 把"任意点跟踪"（Track Any Point）从单视图扩展到多视图同步视频，直接在 2D 像素空间建模，靠相机射线编码注入几何上下文、再用一层视角注意力跨视角交换信息，从而在单视角被遮挡/运动模糊处借助其他视角把轨迹补全，在 DexYCB / Panoptic Studio / Kubric / Harmony4D 上全面超过逐视角独立跟踪的单视图 SOTA。
Neural-Centric Video Processing Pipeline for Unified Multi-Task Inference: 把视频直接编码成隐式神经表示（INR/NeRV），用 CKA 挑出"INR 中间层 ↔ 下游骨干网络注入点"的最佳配对，再训练极轻量的 1×1 卷积 Micro Adapter 做特征转换，从而在推理时只解码到所需中间层、跳过像素重建和骨干早期层，让同一份表示同时服务分类/检测/动作识别/字幕等多任务，端到端延迟最多降 89.5%、推理 FLOPs 最多降 29.9%。
No Need For Real Anomaly: MLLM Empowered Zero-Shot Video Anomaly Detection: 提出端到端零样本视频异常检测框架 LAVIDA，通过异常暴露采样器将语义分割数据集转化为伪异常进行训练，结合 MLLM 提取深层异常语义特征和反注意力 token 压缩处理时空稀疏性，无需任何真实 VAD 数据即实现帧级/像素级 SOTA。
OASIS: On-Demand Hierarchical Event Memory for Streaming Video Reasoning: OASIS 把流式视频推理重新定义为"时序路由"问题，用一个在线维护的分层事件森林作为长期记忆，配合"先短上下文粗推理、不确定时再按语义意图精检索"的两阶段策略，在不改 MLLM、不训练的前提下，让多个流式 MLLM backbone 在长程准确率和组合推理上大幅提升，同时把 token 成本压到恒定。
Occlusion-Aware SORT: Observing Occlusion for Robust Multi-Object Tracking: 提出遮挡感知跟踪框架 OA-SORT，通过显式建模目标遮挡状态来缓解位置代价混淆和 Kalman Filter 估计不稳定问题，在 DanceTrack/SportsMOT/MOT17 上均取得 SOTA 级提升，且组件可即插即用地集成到多种跟踪器中。
OmniGround: A Comprehensive Spatio-Temporal Grounding Benchmark for Real-World Complex Scenarios: 针对时空视频定位（STVG）现有数据集类别单一、场景过简的问题，本文构建了覆盖 81 类、3,475 段真实复杂视频的 OmniGround 基准，配套提出前-后-精修（FBR）标注流水线、四维数据质量评估框架 DeepSTG，并给出一个训练无关的两阶段基线 PG-TAF，在四个基准上把 SOTA 在 OmniGround 上的定位精度拉回 25.6%/35.6%（m_tIoU/m_vIoU 相对提升）。
OmniVTG: A Large-Scale Dataset and Training Paradigm for Open-World Video Temporal Grounding: 针对视频时序定位（VTG）在开放世界里"稀有概念定不准"的瓶颈，作者用"语义覆盖迭代扩展"管线造了一个 2124 小时、35 万条 query、词表远超现有数据集总和的大规模数据集 OmniVTG，并提出"先预测再自我纠错"的三阶段（SFT→CoT→RL）训练范式，让 Qwen2.5-VL-7B 在四个公开 VTG benchmark 上零样本拿下 SOTA，且稀有概念上几乎不掉点。
One-Shot Flow, Any-Time Frame: A Bidirectional Warping Framework for Event-Based Video Frame Interpolation: 针对事件相机视频帧插值（E-VFI）里"前向 warping 快但有空洞、后向 warping 质量高但每帧都要重算光流"的两难，本文用一次前向计算把整段时间区间的双向运动轨迹（BiFEB）算出来，再用 Flow Query 对任意时刻 \(t\) 即时检索双向光流，最后用 Bidirectional Warping 显式定位错误区域并修复，做到任意时刻、低成本、高质量插帧，在 GOPRO / SNU-FILM / BS-ERGB / HS-ERGB 上同时刷新质量和效率。
OpenMarcie: Dataset for Multimodal Action Recognition in Industrial Environments: 提出目前最大规模的工业场景多模态动作识别数据集 OpenMarcie，融合可穿戴传感器与视觉数据共 8 种模态、200+ 通道、37+ 小时录制，并在 HAR 分类、开放词表描述、跨模态对齐三个基准上验证了惯性+视觉融合的优越性。
Out of Sight, Out of Track: Adversarial Attacks on Propagation-based Multi-Object Trackers via Query State Manipulation: 首次系统分析 Tracking-by-Query-Propagation（TBP）跟踪器的对抗脆弱性，提出 FADE 攻击框架，通过时序查询洪泛（TQF）耗尽固定查询预算和时序记忆腐蚀（TMC）破坏隐状态传播两种策略，在 MOT17/MOT20 上对 MOTR/MOTRv2/MeMOTR/Samba/CO-MOT 造成最高约 30 点 HOTA 下降和 10 倍以上身份切换。
Polyphony: Diffusion-based Dual-Hand Action Segmentation with Alternating Vision Transformer and Semantic Conditioning: 针对"从未剪辑视频里同时给左右手逐帧打动作标签"这一双手动作分割任务，本文提出三阶段方法 Polyphony——用交替训练的共享 ViT 解决主导手抢梯度、用结构化语义条件化消除细粒度动作歧义、用带跨手特征融合的扩散分割器建模双手协调，在 HA-ViD/ATTACH 双手数据集上最高提升 16.8 个点，并以 12× 更小的骨干网在单流 Breakfast 上反超 SOTA。
Progressive Cross-Modal Causal Intervention for Long-Term Action Recognition: PCMCI 把长时动作识别中视觉语言模型(VLM)依赖的三种"伪相关"——共现幻觉、共依赖错觉、视觉混淆因子——拆成一条三段式因果干预流水线（OT 增强后门调整 → 关系感知后门调整 → 跨模态前门调整），逐级去混淆得到稳健的文本/视频表征，在 Breakfast / COIN / Charades 上 mAP 大幅刷新 SOTA（Breakfast mAP 76.32→90.51）。
Progressive Multi-cue Alignment for Unaligned RGBT Tracking: PMATrack 把"未对齐 RGBT 跟踪"里一次性回归的跨模态对齐参数拆成"中心偏移 → 尺度变换 → 全局精修"三级渐进估计，并在每一级用难度感知路由从三种对齐线索专家里挑最划算的那个，在新建的 MUART244 等基准上以更低算力刷新 SOTA。
ProgTrack: A Multi-Object Tracking Algorithm with Progressive Matching Strategy: ProgTrack 模仿人眼"先大后小再补漏"的跟踪习惯，把无人机多目标跟踪拆成"大目标用 IoU、小目标用上下文增强 ReID、剩余难匹配目标用目标间相对位置"三阶段渐进匹配，再配一个能扛遮挡/掉检的纯卡尔曼滤波（PKF），在 VisDrone2019 和 MDMT 上把 MOTP/IDF1 刷到 SOTA。
Protect to Adapt: Orthogonal Subspace Control with Ranked Negative-Prompt Curriculum for Few-Shot Action Recognition: P2A 把 CLIP 适配到小样本动作识别拆成两件事——用正交子空间约束（OSC）把低秩更新逼进预训练权重主子空间的正交补，从而保住通用语义、缓解灾难性遗忘；再用 LLM 生成、验证器过滤、按难度排课的负样本课程（RNC）把类间边界推开；只调 2% 参数就在 5 个 FSAR benchmark 上刷到 SOTA。
Prototypical Action Reasoning Facilitated by Vision-Language Alignment for Egocentric Action Anticipation: PAR-VLA 借助视觉-语言模型把动词、名词分别学成"解耦视觉原型"作为稳定语义锚点，把开放、无约束的未来动作预测，转化为由这些语义概念引导的条件预测，并用双流共生解码器细化动名词依赖，在 EPIC-KITCHENS-100 等三个数据集上刷新 SOTA。
Question-guided Visual Compression with Memory Feedback for Long-Term Video Understanding: 提出 QViC-MF 框架，通过问题引导的多帧视觉压缩（QMSA）和上下文记忆反馈机制，在长视频理解任务上以极少的视觉 token（每帧仅 16 个）实现了 MLVU/LVBench/VNBench 等多个基准上的 SOTA。
RAGTrack: Language-aware RGBT Tracking with Retrieval-Augmented Generation: 首次将文本描述引入 RGBT 跟踪，提出基于检索增强生成（RAG）的框架 RAGTrack，通过多模态 Transformer 编码器、自适应 Token 融合和上下文感知推理模块，在四个 RGBT 基准上取得 SOTA。
Real-World Point Tracking with Verifier-Guided Pseudo-Labeling: 提出一个可学习的Verifier元模型，在合成数据上训练"判断tracker预测可靠性"的能力并迁移到真实世界，通过逐帧评估6个预训练tracker的预测来选取最可靠的作为伪标签，仅用~5K真实视频即微调出在4个真实世界基准上全面SOTA的Track-On-R模型。
Reconstruction-Guided Slot Curriculum: Addressing Object Over-Fragmentation in Video Object-Centric Learning: 提出 SlotCurri，一种重建引导的 slot 数量课程学习策略，从极少 slot 开始训练并仅在重建误差高的区域逐步扩展 slot 容量，配合结构感知损失和循环推理，有效解决视频物体中心学习中单一物体被多个 slot 错误拆分的过度碎片化问题，在 YouTube-VIS 上实现 +6.8 FG-ARI 提升。
Rethinking Occlusion Modeling for UAV Tracking: 针对无人机视角下遮挡呈"成块出现"的真实特性，本文用聚类采样生成空间相关的遮挡掩码（COM）来训练更鲁棒的表征，再用一条与层成本挂钩的深度偏置（CADB）让推理自动停在更浅的层，二者合成的 OCTrack 在四个 UAV benchmark 上做到了精度与 265 FPS 实时速度的良好平衡。
FlexHook: Rethinking Two-Stage Referring-by-Tracking in RMOT: 提出 FlexHook，一种新颖的两阶段 Referring-by-Tracking 框架，通过基于采样的 Conditioning Hook（C-Hook）重新定义特征构建，并用 Pairwise Correspondence Decoder（PCD）替换 CLIP 余弦相似度匹配，首次使两阶段方法全面超越当前 SOTA 的一阶段方法。
Robust Promptable Video Object Segmentation: 针对 SAM2 这类可提示视频目标分割（PVOS）模型在恶劣天气/噪声下性能骤降的问题，本文构建了首个 RobustPVOS benchmark（351 段真实恶劣视频 + 大规模时变合成退化数据），并提出 MoGA——用记忆库里每个被跟踪物体的指针来"条件化"地门控一个共享低秩适配器，让每个物体得到各自的、跨帧一致的鲁棒化处理，仅训练 1.1M 参数就在多种退化上稳定超越逐帧鲁棒化方法。
SAIL: Similarity-Aware Guidance and Inter-Caption Augmentation-based Learning for Weakly-Supervised Dense Video Captioning: 提出 SAIL，通过跨模态相似度引导的语义感知掩码生成和 LLM 合成字幕的辅助监督，在仅有字幕标注（无时间边界）的弱监督设置下，在 ActivityNet 和 YouCook2 上实现密集视频描述和事件定位的双 SOTA。
SAVA-X: Ego-to-Exo Imitation Error Detection via Scene-Adaptive View Alignment and Bidirectional Cross View Fusion: 形式化 Ego→Exo 模仿错误检测任务，并提出 SAVA-X (Align–Fuse–Detect) 框架，通过自适应采样、场景自适应视角嵌入和双向交叉注意力融合三个模块联合解决时序不对齐、视频冗余和跨视角域差距三大挑战。
Scene-Centric Unsupervised Video Panoptic Segmentation: 本文首次提出完全无监督的视频全景分割（VPS）任务，给出方法 VideoCUPS：从单目"场景中心"视频出发，用自监督的深度、运动和视觉线索生成时序一致的全景伪标签，再用一个新的 Video DropLoss 在伪标签上训练 VPS 模型，在 Cityscapes-VPS / KITTI-STEP / Waymo / MOTS 上全面超过四个强基线，且展现出很强的标签高效迁移能力。
SDTrack: A Baseline for Event-based Tracking via Spiking Neural Networks: 本文提出首个完全基于脉冲神经网络（SNN）的 Transformer 事件跟踪管线 SDTrack：用 Global Trajectory Prompt（GTP）把异步事件流聚合成富含轨迹信息的三通道事件帧，再用一个全脉冲驱动的 SNN Transformer 跟踪器（含 IPL 内禀位置学习）端到端预测目标框，在三个事件跟踪基准上以最低参数量和能耗（Tiny 版 19.61M / 8.16mJ）拿到接近或达到 SOTA 的精度。
Seeing Conversations: Communication Context Identification in Egocentric Video: 本文提出"通信上下文识别（CCI）"这一新任务——从第一视角视频里判断画面中每个人是否属于佩戴者的对话组，配套放出 68.9 小时多人多对话数据集，并设计了仅用人脸结构化特征、跨人跨时联合推理的轻量模型 CoCoNet，在 CCI 上拿到 96% 平衡准确率。
Seeing Motion Through Polarity for Event-based Action Recognition: 针对现有事件-文本跨模态动作识别把正负极性堆叠在一帧里、丢掉运动方向线索的问题，POKER 用一个极性运动捕获器（PMC）显式解耦正负极性并提取时空运动 primitive、再用一个极性运动推理器（PMR）让多模态大模型逐步推理出带极性意识的运动文本描述，最后用极性对齐损失把两路特征拉到类中心，在三个 EAR 基准上把 EventBind 基线稳定提升 1.3~2.6 个点。
Seeing the Scene Matters: Revealing Forgetting in Video Understanding Models with a Scene-Aware Long-Video Benchmark: 本文提出场景级长视频理解基准 SceneBench，揭示了主流 VLM 在跨"场景"长程上下文上的严重"遗忘"现象（准确率骤降），并用一个轻量的 Scene-RAG（场景检索增强生成）把跨场景上下文动态召回拼回输入，带来 +2.50% 的提升以佐证"模型确实没记住长程上下文"这一结论。
Self-Critical Distillation Network for Video-based Commonsense Captioning: SCD-Net 针对"视频→内容描述→常识"推理链导致的两大问题——常识缺乏视觉接地、各类常识相互孤立——用自批判强化学习强化视觉推理、用联合推理蒸馏框架（教师级联解码器 + 学生 + 语言自适应包装蒸馏）建立类间常识关联，在 V2C 数据集上不依赖 LLM 就超过了 LLM-based 方法。
Self-Paced and Self-Corrective Masked Prediction for Movie Trailer Generation: 把电影预告片生成重新表述成「以电影镜头为 prompt、对预告片镜头序列做掩码重建」的任务，用一个 Transformer 编码器配合自步调度的掩码率与迭代式重掩码（self-correction）生成预告片，在 F1 和排序准确率上显著超过 selection-then-ranking 与自回归方法。
SHANDS: A Multi-View Dataset and Benchmark for Surgical Hand-Gesture and Error Recognition Toward Medical Training: SHANDS 是首个面向开放手术训练的多视角 RGB 视频数据集，用五台同步相机记录 52 名专家/学员的切口与缝合操作，提供帧级 15 类手势原语和 8 类临床验证错误标注，并在单视角/多视角/跨视角三套协议上对主流视频模型做了基准评测。
SHOW3D: Capturing Scenes of 3D Hands and Objects in the Wild: 提出首个真正野外环境下具有精确3D标注的手-物体交互数据集SHOW3D，通过设计轻便可穿戴多相机背包系统和ego-exo融合标注pipeline，采集430万帧多视角数据，手部和物体均达到亚厘米级标注精度，跨数据集实验验证其训练模型的泛化优势。
SkeletonContext: Skeleton-side Context Prompt Learning for Zero-Shot Skeleton-based Action Recognition: 提出SkeletonContext框架，通过跨模态上下文提示模块从预训练语言模型重建骨骼数据缺失的环境和物体上下文语义，并用关键部位解耦模块增强运动关键关节的判别力，在NTU-60/120和PKU-MMD上的零样本和广义零样本设置中达到SOTA。
SkillSight: Efficient First-Person Skill Assessment with Gaze: SkillSight 用第一人称视频 + 视线（gaze）联合建模技能水平，先训一个看「视频+视线」的教师模型拿 SOTA，再蒸馏出一个推理时只看视线、关掉摄像头的学生模型，在三个跨领域数据集上以 14~73 倍更低功耗逼近甚至超过重型视频方法。
SMV-EAR: Bring Spatiotemporal Multi-View Representation Learning into Efficient Event-Based Action Recognition: 针对事件相机动作识别（EAR），本文不再把事件按时间轴聚成 H-W 帧，而是沿 H/W 轴投影到 T-H、T-W 两个"时间视角"，并系统重做了表示（平移不变的 TISM）、融合（双分支动态融合 DDCF）、增强（多样化时间扭曲 DTW）三个环节，在三个 EAR 基准上 Top-1 提升 +7.0%/+10.7%/+10.2%，同时参数降 30.1%、计算降 35.7%。
SoccerMaster: A Vision Foundation Model for Soccer Understanding: SoccerMaster 用一个共享的时空 ViT 编码器 + 五个轻量任务头，把球员检测识别、球场配准、事件分类、视觉-语言对齐这四类"空间感知 + 语义推理"任务塞进一次监督式多任务预训练，再配套一条自动标注流水线 SoccerFactory 量产稠密空间标签，最终在检测、跟踪、相机标定、解说生成等下游任务上全面超过通用视觉基础模型（SigLIP 2 / DINOv3）和足球专用模型 MatchVision。
Spatio-Temporal Conditional Denoising Transformer for Modality-Missing RGBT Tracking: 把 RGB-热红外（RGBT）跟踪里的"模态缺失补全"和"完整模态增强"统一成一个时空条件去噪过程：用历史帧的短期/长期时序线索做条件，引导去噪器在强噪声下重建缺失模态、在弱噪声下增强完整模态，单一架构和参数即可应对两种场景，在三个 RGBT 基准的完整与缺失设定上都拿到 SOTA 或接近 SOTA。
Spectral Scalpel: Amplifying Adjacent Action Discrepancy via Frequency-Selective Filtering for Skeleton-Based Action Segmentation: 针对骨架时序动作分割（STAS）里"相邻相似动作分不清、边界糊"的痛点，本文把建模搬到频域：用一把可学习的"频谱手术刀"（多尺度自适应谱滤波 MASF）放大每个动作独有频率、压制相邻动作共享频率，再用"相邻动作差异损失"（AADL）当手术目标显式拉大相邻段的振幅谱差距，在五个数据集上取得 SOTA 且 FLOPs/参数更低。
SpikeTrack: A Spike-driven Framework for Efficient Visual Tracking: 提出 SpikeTrack，首个完全符合脉冲驱动范式的 RGB 视觉跟踪框架，通过非对称时间步扩展、单向信息流和脑启发记忆检索模块（MRM），在 SNN 跟踪器中达到 SOTA 并与 ANN 跟踪器持平，同时能耗仅为 TransT 的 1/26。
SpikeTrack: High-performance and Energy-efficient Event-Based Object Tracking with Spiking Neural Network: SpikeTrack 用一个纯脉冲驱动的 Spiking Transformer 做事件相机单目标跟踪，靠「多搜索帧-单模板（MSST）」训练范式把跟踪天然的时序连续性喂进 SNN 的膜电位累积里，再用「动态整数 LIF（DI-LIF）」神经元按输入稀疏程度自适应调节脉冲发放上限，在 FE108 / FELT / VisEvent 三个基准上同时拿到 SOTA 精度，且能耗只有次优方法的 6.6%、参数量只有 25.8%。
Spk2VidNet: A Hierarchical Recurrent Architecture for High-Fidelity Video Reconstruction from Long Spike-Camera Streams: 针对脉冲相机超分（SCSR）只能处理固定短序列、且脉冲信号有波动的两大痛点，Spk2VidNet 用「逐层放大时间感受野的两层递归传播 + 多帧一致性对齐 + 内容感知调制融合 + 分段训练状态传递」从任意长脉冲流重建高分辨率图像序列，在合成与真实数据上以更快速度刷新 SOTA（REDS-LSSR ×4 PSNR 29.92dB、推理仅 43ms）。
Stay in your Lane: Role Specific Queries with Overlap Suppression Loss for Dense Video Captioning: 提出 ROS-DVC，通过将 DETR-based DVC 框架中的共享 query 分离为独立的 localization query 和 caption query，并设计 Overlap Suppression Loss 惩罚 query 间的时序重叠、Cross-Task Contrastive Alignment 保证跨任务语义一致性，在 YouCook2 和 ActivityNet Captions 上实现了 SOTA 的 captioning 和 localization 性能。
STORM: End-to-End Referring Multi-Object Tracking in Videos: STORM 是首个端到端的多模态大语言模型框架用于指代多目标跟踪（RMOT），通过任务组合学习策略大幅减少对 RMOT 标注数据的依赖，并构建了高质量 STORM-Bench 数据集。
Streaming Video Crime Anticipation with Spatio-Temporal Causal Reasoning: 针对"现有监控系统只能事后/事中报警、无法在犯罪发生前预判"的问题，本文做了两件事——构建带时空因果标注的 STCRC 数据集（73K 样本、5 个递进因果推理任务），并设计一个流式协处理器 STCH 把视频里隐式的实体动态转成显式因果超图喂给 VLM，使犯罪分类相对提升 70.7%、检测提升 10.1%、时间预测误差降低 3.7%。
StreamingTOM: Streaming Token Compression for Efficient Video Understanding: 提出 StreamingTOM，一个无需训练的两阶段流式视频理解框架：Causal Temporal Reduction (CTR) 在 LLM 前通过因果时序选择将每帧 token 从 196 压缩到 50，Online Quantized Memory (OQM) 在 LLM 后通过 4-bit 量化和按需检索限制 kv-cache 增长，实现 15.7× 压缩比、1.2× 更低峰值显存和 2× 更快 TTFT。
StreamRAG: Enhancing Real-Time Video Understanding with Retrieval Augmentation: StreamRAG 把 RAG 第一次系统性地搬到流式视频问答上，用「实时事件分割 + 复用历史字幕 token 的低延迟知识提取 + 按查询时效性动态选检索范围」三个即插即用模块，在不改动底座 MLLM 架构的前提下，于 OVO-Bench / StreamingBench 上把 Qwen2-VL、ViSpeak 等模型的准确率最高拉高约 11%~20%，同时把字幕生成延迟降近一半。
StreamReady: Learning What to Answer and When in Long Streaming Videos: 提出就绪性感知的流式视频理解范式，通过可学习的 <RDY> token 和 Answer Readiness Score (ARS) 指标，让模型不仅回答正确，还能在证据出现的恰当时刻作答，在 9 个流式/离线视频基准上取得 SOTA。
SVAgent: Storyline-Guided Long Video Understanding via Cross-Modal Multi-Agent Collaboration: 提出 SVAgent，一个故事线引导的跨模态多智能体框架用于长视频问答，通过渐进式构建叙事表示、DPP 证据选择、跨模态一致性验证和迭代精炼实现超越基线 5.5%-11.5% 的性能提升。
T2SGrid: Temporal-to-Spatial Gridification for Video Temporal Grounding: T2SGrid 把视频时序定位（VTG）从"逐帧处理"改造成"逐片网格图处理"——用滑动窗口把若干连续帧按行主序拼成一张 2D 网格图喂给 Vision-LLM，让模型用它擅长的空间推理能力去读时序，再配一个"整段网格共用一个文本时间戳"补全绝对时间感知，在 Charades-STA / ActivityNet 上让没有时序编码的 Qwen2-VL-7B 的 mIoU 从 7.9 飙到 44.3。
TacSIm: A Dataset and Benchmark for Football Tactical Style Imitation: 本文提出 TacSIm，首个从真实英超比赛转播画面中重建全队轨迹并在虚拟足球环境中进行战术风格模仿的大规模数据集与基准，通过空间占据相似度和运动向量相似度两个指标量化战术模仿保真度。
Dual-level Adaptation for Multi-Object Tracking: Building Test-Time Calibration from Experience and Intuition: TCEI 框架受 Kahneman 双系统理论启发，提出直觉系统（利用近期观测对象的瞬时记忆快速推断）和经验系统（利用历史视频积累的经验校准直觉预测）相结合的测试时自适应方法，无需反向传播即可在分布偏移下显著提升多目标跟踪性能。
Text-guided Fine-Grained Video Anomaly Understanding: 提出T-VAU框架，通过异常热力图解码器(AHD)实现像素级时空异常定位，并设计区域感知异常编码器(RAE)将热力图证据注入LVLM进行异常判断、定位和语义解释的统一推理。
TF-CADE: Foreground-Concentrated Text-Video Alignment for Zero-Shot Temporal Action Detection: 针对零样本时序动作检测中"文本不影响预测"的痛点，本文用一个动作集中聚合模块（ACA）把视频特征按时序前景显著度加权聚出一个前景视频嵌入、专门和文本对齐，再用一个基于确定性的置信度重加权（CCR）把视频级先验注回逐片段分类分，从而压住语义不相关的动作类，在 THUMOS14/ActivityNet 的同分布与跨数据集零样本设定上都刷到 SOTA。
TGTrack: Temporal Generative Learning for Unified Single Object Tracking: TGTrack 给统一单目标跟踪框架加了一条"预测下一帧"的并行生成式监督任务——用带门控融合的自回归生成解码器和极坐标时间令牌，把以往隐式、被动的时序建模变成显式、主动的时序学习，在 5 种模态 11 个 benchmark 上刷新 SOTA（LaSOT AUC 75.3%）。
The Road Less Seen: Segment Exploration for Weakly Supervised Video Anomaly Detection: 针对弱监督视频异常检测里 top-k 选段"只盯最高分段、漏掉分散且模糊的异常"的痛点，本文提出时序聚类 + 不确定性双探索策略来覆盖多样且暧昧的异常段，并主张用 Recall@FPR 与 AP 取代被严重类别不平衡"灌水"的 AUROC，在 UCF-Crime 上把 AP 从 35.48% 提到 38.33%。
Thinking with Drafts: Speculative Temporal Reasoning for Efficient Long Video Understanding: SpecTemp 把"thinking-with-frames"里耗时的帧放大过程外包给一个轻量 3B draft MLLM 去密集采样、挑稀疏关键帧，让 7B target MLLM 只负责时序推理和验证，靠投机—验证迭代循环在 8 个视频 benchmark 上保持甚至提升精度的同时把推理延迟降了约 20%。
Time Blindness: Why Video-Language Models Can't See What Humans Can?: 作者构造了一个"信息只存在于帧间时序、单帧全是噪声"的合成基准 SpookyBench：人类靠运动分组能以 98% 准确率读出其中的文字/物体，而 15 个最强 Video-VLM（含 GPT-4o、Gemini 2.5 Pro、Qwen2.5-VL-72B）全部 0% 准确率，从而干净地暴露出当前视频模型"时间盲"——只会读单帧空间特征、根本没有纯时序信息的处理机制。
TLMA: Mitigating the Impact of Weakly Labeled Information for Video Anomaly Detection: 针对弱监督视频异常检测（WSVAD）中视频级标签带来的"弱标签信息（WLI）"干扰，TLMA 用一个从模型预测动态构造的三元组学习策略把 WLI 与真异常在特征空间里推开，再配一个基于帧间边缘差分的运动感知特征增强模块突出前景动态，在 UCF-Crime / XD-Violence / MSAD 三个基准上都刷到 SOTA 并显著降低误报率。
Token Reduction via Local and Global Contexts Optimization for Efficient Video Large Language Models: 提出 AOT 框架，通过建立局部-全局 token anchors 并利用最优传输（Optimal Transport）在帧内和帧间两级聚合被裁剪/合并 token 的语义信息，实现 training-free 的视频 token 压缩，在裁剪 90% token 的情况下仍保留 97.6% 的原始性能。
Toward Low-Cost yet Effective Temporal Learning for UAV Tracking: 针对无人机（UAV）单目标跟踪，本文先提出一个把「精度提升」和「算力开销」绑在一起看的评价指标 PPF（每 FLOP 精度增益），用它揭示现有时序模块"性价比"普遍很低，再据此设计了一个只靠传播/合并少量代表性外观 token 的轻量时序模块 LETL，把它塞进单流框架做出 LETrack，在六个航拍数据集上拿到 SOTA 的同时几乎不增加算力。
Towards Data-Efficient Video Pre-training with Frozen Image Foundation Models: 本文提出"冻结一个预训练图像基础模型（DINOv3）当空间编码器、只在其上从零训练一个轻量循环时序模块"的解耦范式，实验证明在 5 个视频理解任务上它能匹配甚至超过在 840 万视频片段上端到端预训练的 RVM，从而论证大规模视频预训练对空间表征并非必需。
Towards Sparse Video Understanding and Reasoning: ReViSe 把视频问答重新建模成"问题驱动的多轮稀疏帧选择"——每轮只挑几帧、把已验证的证据压缩进一个结构化的"摘要即状态"里跨轮传递、足够确信就提前停，既能即插即用包住任何 VLM，也能用免标注奖励 EAGER 做强化微调，在多个 VQA benchmark 上用个位数帧就拿到更高准确率。
Towards Spatio-Temporal World Scene Graph Generation from Monocular Videos: 提出 World Scene Graph Generation (WSGG) 任务，从单目视频构建包含所有物体（含被遮挡/出画面物体）的时空持久、世界坐标系锚定的场景图，并引入 ActionGenome4D 数据集和三种互补方法（PWG/MWAE/4DST）。
TrajTok: Learning Trajectory Tokens Enhances Video Understanding: 提出 TrajTok——一种端到端可微的轨迹 tokenizer，将视频像素隐式聚类为目标轨迹 token，取代外部分割+跟踪流水线；在从头训练 (TrajViT2)、特征适配 (TrajAdapter) 和视觉语言模型连接器 (TrajVLM) 三种场景下均取得显著提升，尤其在长视频 QA 上大幅超越 patch pooling。
TAPFormer: Robust Arbitrary Point Tracking via Transient Asynchronous Fusion of Frames and Events: TAPFormer 用一套"瞬态异步融合"机制，把低帧率 RGB 帧和高频事件流融成一个随事件持续更新的连续潜在表示，让任意点跟踪在运动模糊、低光、高速场景下都保持高频稳定，在自建真实帧-事件数据集上把阈值内平均像素误差提升了 28.2%。
TVHighlights: LLM-Guided Human-Free Collaborative Training for Video Highlight Detection in Movies and TV Dramas: 针对影视剧高光片段「没有统一定义、人工标注又贵又主观」的难题，作者先用社区二创复用行为自动造出无人工标注的 TVHighlights 数据集，再提出 LTV-HD：用视频级弱标签预训练一个轻量多模态网络，然后让它和 LLM 在一个自改进闭环里互相纠错，最终在全无人工标注的情况下做到 92.74% AUC / 71.20% AP 的 SOTA。
U2Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation: U2Flow是首个联合估计光流和逐像素不确定性的循环无监督框架，通过基于增强一致性的解耦不确定性学习和不确定性引导的双向光流融合，在KITTI和Sintel上实现无监督SOTA。

UETrack: A Unified and Efficient Framework for Single Object Tracking

UFVideo: Towards Unified Fine-Grained Video Cooperative Understanding with Large Language Models: UFVideo 是首个统一全局、像素级和时序级三种粒度视频理解能力的 Video LLM，通过视觉-语言引导对齐策略和 SAM2 mask decoder，在单一模型内同时支持视频问答、目标引用、视频分割和时序定位，并构建了多粒度协同理解基准 UFVideo-Bench。
Understanding Temporal Logic Consistency in Video-Language Models through Cross-Modal Attention Discriminability: 本文从可解释性角度分析了视频语言模型（Video-LLMs）时间理解逻辑不一致的根本原因——跨模态注意力头无法有效区分不同时间戳的视频token——并提出 TCAS（Temporally Conditioned Attention Sharpening）方法通过优化注意力分布显著提升了时间逻辑一致性和通用时序定位性能。
Unified Spatiotemporal Token Compression for Video-LLMs at Ultra-Low Retention: 提出统一时空token压缩方法，通过全局保留池联合评估token的贡献度和语义冗余度，并在LLM内部引入文本感知合并机制，在仅保留约2%视觉token的极端压缩下仍保留90.1%的基线性能，同时将FLOPs降至约2.6%。
UniVBench: Towards Unified Evaluation for Video Foundation Models: UniVBench 用 200 段人工创作、无版权的多镜头视频和一套智能体评测系统 UniV-Eval，把视频理解、生成、编辑、以及新提出的"视频重建"四类能力放进同一把尺子里，第一次能在统一框架下回答"统一视频模型到底有没有把感知和生成都做好"。
UTPTrack: Towards Simple and Unified Token Pruning for Visual Tracking: 提出 UTPTrack，首个在 one-stream Transformer 跟踪器中同时对搜索区域 (SR)、动态模板 (DT) 和静态模板 (ST) 三个组件进行联合 token 剪枝的统一框架，在 RGB 和多模态/语言引导跟踪中实现 65–67% 的视觉 token 裁减，且保持 99.7%–100.5% 的基线性能。
VAST: Video Ability-Stratified Taxonomy for Data-Efficient Video Reasoning: VAST 主张按"底层推理能力"而非"任务格式"来组织视频推理训练数据，提出 Perception/Reasoning/Cognition 三层认知 taxonomy 与配套 VAST-15K/VAST-Bench，并用只加一致性奖励、不改架构的 Video-VAST 强化学习框架，在 MVBench 上以 66.3% 超过 Video-R1 的 62.7%，却省下约 72% GPU 时与 96% 训练样本。
VecAttention: Vector-wise Sparse Attention for Accelerating Long Context Inference: 本文发现视频模型注意力图中存在强烈的"垂直向量"稀疏模式，据此提出 VecAttention 细粒度向量级稀疏注意力框架，通过 TilingSelect + minS 过滤实现高效重要向量选择，在 78%+ 稀疏度下视频理解准确率与全注意力持平，注意力计算加速 2.65 倍。
Video-CoE: Reinforcing Video Event Prediction via Chain of Events: 针对多模态大模型在"看视频预测未来事件"（VEP）上既缺乏逻辑推理、又不看画面只猜选项的两大毛病，本文提出 Chain of Events（CoE）范式——让模型先把视频切成带时间戳的历史事件链、再基于事件链做因果推理，并用一套两阶段训练（CoE-SFT 注入推理 + CoE-GRPO 用稠密奖励强化事件链构造）把 Qwen2.5-VL-7B 在 FutureBench 上从 52.9% 拉到 75.0%，刷新 VEP 的 SOTA。
Video Panels for Long Video Understanding: 把视频里相邻的多帧像漫画分镜一样拼进同一张图片，用空间分辨率换时间分辨率，从而在不改架构、不训练、不加参数的前提下提升现有 VLM 的长视频理解能力——在最长视频的 TimeScope(Long) 上把 VideoLLaMA 3 的问答准确率提升了 19.4%。
VideoARM: Agentic Reasoning over Hierarchical Memory for Long-Form Video Understanding: VideoARM 提出了一种基于分层多模态记忆（HM3）的 Agent 推理范式，通过"观察-思考-行动-记忆"的自适应循环和粗到细的工具调用策略，在长视频理解基准上超越 SOTA 的同时将 token 消耗降低到 DVD 的 1/34。
VideoAuto-R1: Video Auto Reasoning via Thinking Once, Answering Twice: 提出 VideoAuto-R1，一个"按需推理"的视频理解框架：训练时采用"思考一次、回答两次"（answer→think→answer）范式，推理时通过首次回答的置信度决定是否启动 CoT 推理，在保持 SOTA 精度的同时将平均响应长度从 149 降至 44 token（约 3.3 倍压缩）。
VideoChat-M1: Collaborative Policy Planning for Video Understanding via Multi-Agent Reinforcement Learning: VideoChat-M1 提出协作策略规划（CPP）范式和多智能体强化学习（MARL）训练方法，让 4 个异构 VLM agent 动态生成和更新工具调用策略来理解视频，在 LongVideoBench 上超过 Gemini 2.5 Pro 3.6%、GPT-4o 15.6%。
VideoITG: Multimodal Video Understanding with Instructed Temporal Grounding: VideoITG 把"根据用户指令挑帧"做成一个独立的时序定位任务：先用 GPT-4o 驱动的 VidThinker 三阶段流水线自动标出 40K 视频里"哪些帧和这条指令相关"，造出 50 万条指令对齐标注，再训练一个即插即用的帧选择器接到各种 Video-LLM 前面，用 16~32 帧就追平甚至超过均匀采样 64 帧的效果。
VideoNet: A Large-Scale Dataset for Domain-Specific Action Recognition: VideoNet 构建了一个覆盖 37 个领域、1000 个细粒度"领域专用动作"的视频动作识别基准（多选 + 二元 few-shot 两套协议），用全自动流水线收集近 50 万条 VQA 训练对，把领域专用动作识别这个"被遗忘的任务"重新拉回 VLM 评测视野——结果是开源 8B VLM 多选准确率不足 50%，而在该数据上微调的 4B 模型反超所有 8B 开源模型。
VideoSeek: Long-Horizon Video Agent with Tool-Guided Seeking: VideoSeek 提出一种长程视频 Agent，利用视频逻辑流主动"寻找"关键证据而非穷举解析所有帧，通过 think-act-observe 循环和多粒度工具包（overview/skim/focus），在 LVBench 上比基座模型 GPT-5 提升 10.2 个点的同时减少 93% 的帧使用量。
VidTAG: Temporally Aligned Video to GPS Geolocalization with Denoising Sequence Prediction at a Global Scale: VidTAG 把"视频地理定位"重新表述成逐帧到 GPS 坐标的检索问题，用 CLIP+DINOv2 双编码器抽帧特征、TempGeo 做帧间时序对齐、GeoRefiner 做轨迹去噪，在全球尺度上生成时序连贯的 GPS 轨迹，1km 阈值上比 GeoCLIP 提升约 20%。
VidTAG: Temporally Aligned Video to GPS Geolocalization: 提出 VidTAG，一个双编码器（CLIP+DINOv2）帧到GPS检索框架，通过 TempGeo 模块实现帧间时间对齐，GeoRefiner 编码器-解码器模块精炼GPS预测，在全球尺度下实现时间一致的逐帧视频地理定位。
VirtueBench: Evaluating Trustworthiness under Uncertainty in Long Video Understanding: 提出 VirtueBench，首个评估 VLM 在不确定性下可信度的长视频理解基准，通过为每个视频构建多级帧采样并标注可回答/不可回答的 ground truth，揭示了现有模型普遍倾向于猜测而非诚实拒绝的问题。
VISTA: Video Interaction Spatio-Temporal Analysis Benchmark: VISTA 把视频时空定位拆解成「谁在交互、怎么交互、何时何地」的 coarse-to-fine 交互分类法，聚合 6 个数据集成约 1.2 万条 video-query 对，对 11 个 VLM 做分层诊断，揭示了被聚合指标掩盖的同类实体消歧失败、句法模板偏好和语义意图过度归因等系统性缺陷。
VRR-QA: Visual Relational Reasoning in Videos Beyond Explicit Cues: 本文提出 VRR-QA 基准，包含 1K 精心标注的视频问答对，专门测试模型对视频中隐式视觉关系的推理能力（如屏幕外事件、跨帧因果、空间关系推断），揭示当前最强 VideoQA 模型（包括 GPT-O3）在隐式推理上的显著不足——最优模型仅达 64% 准确率，远低于人类的 83%。
Wavelet-based Frame Selection by Detecting Semantic Boundary for Long Video Understanding: 提出 WFS-SB，一种免训练的帧选择框架，利用小波变换从查询-帧相似度信号中检测语义边界，将视频分割为语义连贯的片段后自适应分配帧预算并做多样性采样，在 VideoMME/MLVU/LongVideoBench 上大幅超越 SOTA。
Weakly Supervised Video Anomaly Detection with Anomaly-Connected Components and Intention Reasoning: 提出 LAS-VAD 框架，通过异常连通分量机制（ACC）将视频帧划分为语义一致的组来生成伪标签弥补帧级标注缺失，并通过意图感知机制（IAM）利用位置-速度-加速度特征区分外观相似但意图不同的正常/异常行为，在 XD-Violence 上达 89.96% AP (I3D)。
Your One-Stop Solution for AI-Generated Video Detection: 作者构建了 AIGVDBench——一个覆盖 31 个最新视频生成模型、44 万+ 视频的 AI 生成视频检测大规模基准，配套一条"属性均衡 + 全面选型 + 去偏预处理"的标准化数据构建流水线，并在 33 个检测器上跑了 1500+ 次评测，提炼出 8 项分析和 4 个新发现（最关键的是"生成质量更高 ≠ 更难被检测"）。