**在预测前想象：视频事件预测的交错潜在视觉推理**

_Imagine Before You Predict: Interleaved Latent Visual Reasoning for Video Event Prediction_

> Future-L1 提出交错潜在视觉推理框架，让多模态大语言模型在自回归解码过程中交替使用语言标记和连续潜在视觉片段，保留细粒度运动、几何和交互线索，避免文本化推理导致的幻觉。该方法在 FutureBench 和 TwiFF-Bench 上取得最优结果，将 Qwen3-VL-8B 在 FutureBench 上的准确率从 61.0 提升至 85.4，超越先前最优方法 Video-CoE 10.4 个百分点。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.05769)