多模态理解

【VLM】AdaCodec:用“预测视觉码”替代逐帧RGB输入AdaCodec：面向视频 MLLM 的预测式视觉 Token 压缩 AdaCodec: A Predictive Visual Code for Video MLLMs

【VideoLLM】Agentic Video Understanding视频理解综述原文：Agentic Video Understanding: A Survey（Xinyu Deng, Siwen Luo, Daochang Liu, The University of Western Australia），2026 年 9 月首发于 arXiv:2609.31713v1 项目页：https://github.com/DXY0711/Awesome-Agentic-Video-Understanding

【Jev】VideoJev: System One Model for Video Understanding and InteractionVideoJev: System One Model for Video Understanding and Interaction ⚡️首个视频理解Jev模型，大幅度提高精度的同时提速3-100倍 🔗https://huggingface.co/papers/2610.18615 🌟https://github.com/MCG-NJU/VideoJEV

【CVPR2026】VideoSSR: Video Self-Supervised Reinforcement LearningRLVR，即可验证奖励强化学习，要求模型作答后能够明确判断对错。比如：这类训练信号比模糊的主观偏好更适合数学、代码和结构化问答，也被引入到视频多模态大模型中。

【全模态】音视频理解模型Audio-Visual FlamingoAudio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos arXiv：https://arxiv.org/abs/2607.16107 机构：NVIDIA + 马里兰大学 | 参数规模：7B，开源

【VLM】视频理解LLaVA-OneVision-2(Codec-stream)链接：https://github.com/EvolvingLMMs-Lab/LLaVA-OneVision-2

AI核心知识31——大语言模型之Multimodal Understanding（简洁且通俗易懂版）多模态理解 (Multimodal Understanding) 是多模态技术中侧重于 “输入” 和 “感知” 的那一面。

[EAI-031] DeepSeek 的 Janus-Pro，统一的多模态理解和生成模型论文标题：Janus-Pro: Unified Multimodal Understanding and Generation with Data and Model Scaling 论文作者：Xiaokang Chen, Zhiyu Wu, Xingchao Liu, Zizheng Pan, Wen Liu, Zhenda Xie, Xingkai Yu, Chong Ruan 论文链接：https://arxiv.org/abs/2501.17811v1 项目主页：https://github.co

我是有底线的