**V-JEPA-LM:视频语言模型突破静态对齐限制,直接读取动态信息** _V-JEPA-LM: Video-Language Models That Re
原帖
**V-JEPA-LM:视频语言模型突破静态对齐限制,直接读取动态信息**
_V-JEPA-LM: Video-Language Models That Read Dynamics Beyond Static, Text-Aligned Representations_
> 针对现有视频语言模型(VLM)仅能检索静态属性而忽略视频动态信息的痛点,研究提出了 V-JEPA-LM。该模型通过引入反事实监督,利用视频编码器(如 V-JEPA)中共享的动态子空间,使语言模型能够直接读取速度、方向等动态特征。实验表明,该模型在无需多阶段训练的情况下,以单阶段训练在 11 个视频基准测试中全面超越同规模开源模型,其中 4B 模型平均得分达 72.1,显著优于最佳开源 4B 模型(61.1)。
**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-11-16 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.17831)