arXiv ID:
2601.07290
VideoLoom:一个用于联合时空理解的视频大语言模型 / VideoLoom: A Video Large Language Model for Joint Spatial-Temporal Understanding
1️⃣ 一句话总结
这篇论文提出了一个名为VideoLoom的视频大语言模型,它通过构建一个带精细标注的数据集和新评测基准,能够同时理解视频中物体在空间上的位置和动作在时间上的变化,并在多项视频理解任务中取得了领先或极具竞争力的性能。