arXiv · 机器人与计算机视觉· Tianxiang Jiang, Linquan Wu, Sheng Xia, Songze Li, Ziang Yan, Haoyu Yang, Yu Qiao, Yi Wang·· 2026-10-16AI 评分74
Future-L1:基于潜空间交错视觉推理的视频事件预测新模型
Imagine Before You Predict: Interleaved Latent Visual Reasoning for Video Event Prediction
AI 导读
该论文提出了 Future-L1 框架,旨在解决现有视频多模态大语言模型将中间推理步骤转化为文本导致细节丢失的问题。该方法让模型在自回归解码过程中交替使用语言 token 和连续潜变量视觉片段,并在 FutureBench 上将 Qwen3-VL-8B 的准确率从 61.0% 提升至 85.4%,在 TwiFF-Bench 上平均得分从 2.44 提升至 3.04。
来源:arXiv · 机器人与计算机视觉 · arxiv.org