TCoVP:时空锚定的视频思维链,弥合推理与分割的引用鸿沟
Junwei Wen · hf · 2026-10-20
哈工大深圳、鹏城实验室等提出 TCoVP(Temporal Chain of Video Primitives),针对视频推理分割(VRS)中纯文本 CoT 无法显式给出视觉引用的「视频引用鸿沟」问题。
- 将查询相关观察组织为按时间排序的推理链,每个 primitive 绑定实体引用、时间支撑与带时间戳的空间证据
- 选出的目标 primitive 为视频 mask 预测提供 box prompt 与时间支撑
- 构建 TCoVP-SFT-15k 与 TCoVP-RL-13k 数据,通过 SFT 与链对齐强化学习训练,在五个 VRS 基准上提升推理与 mask 预测表现
「多模态」频道最新
- MOSS Image 加 8 步 Turbo LoRA 实测:速度快 10 倍,质量损失有限 — Aggressive_Collar135 · 2026-10-20
- 用户为 Suno 虚拟角色写歌：让 AI 谱出朋克斯卡单曲 — thederbiedone · 2026-10-20
- 网友用 Grok Imagine 做出恶搞剧集短片《Wendy》 — Old_Put1306 · 2026-10-20
- 网友用 AI 做出《回到未来》续集片段，万圣节味十足 — mitchdeg · 2026-10-20
- Midjourney v8.2 风格参考码 1631327937 成品展示 — azed_ai · 2026-10-20
- Google Flow 将办混合制片工作坊：实拍+AI 工作流怎么结合 — lmoroney · 2026-10-20