**看、记、推理：多模态大模型的人本视角视频理解**

_Watch, Remember, Reason: Human-View Video Understanding with MLLMs_

> 该论文从人本视角出发，围绕观看（感知）、记忆（保留上下文）和推理（生成有据输出）三个功能，系统分析了多模态大语言模型在视频理解中的进展。文章梳理了感知表示、记忆状态和推理轨迹的建模方式，归纳了时空感知、长视频高效处理、流式理解及忠实推理等挑战与代表性方法，并探讨了自拍、体育、教学等应用场景及评测基准。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-08 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.07433)