Di Yang, Xiaochang Li, Muyang Liu, Yufei Wang, Yanhai Xiong · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31471 · open-access PDF
Viele Fragen zu einem Video betreffen ein physisches Objekt. Wo endet der Ball, nachdem die Tassen geschmolzen sind? Welche Karte ist die Königin? Wie oft wurde der Mock abgedeckt? Video-Sprachmodelle (Video-LMs) erkennen solche Objekte in einzelnen Frames, halten sie jedoch im Laufe der Zeit nicht auseinander. Auf echten Shell-Spiel-Videos sollten offene Modelle von 8B bis 235B-Parametern, ihre Denkvarianten, ein mit Verstärkung gelernter Werkzeugagent und drei ausgebildete Werkzeugagenten alle innerhalb von zehn Chancenpunkten bleiben. Wir trennen die semantische Identitätsbindung von der zeitlichen Identitätswartung.
Machine translation (Meta M2M100); the English original follows.
Many questions about a video concern one physical object. Where does the ball end up after the cups are shuffled? Which card is the queen? How often was the mug covered? Video-language models (Video-LMs) recognise such objects in single frames but do not keep them apart over time. On real shell-game videos, open models from 8B to 235B parameters, their thinking variants, a reinforcement-learned tool agent and three training-free tool agents all stay within ten points of chance. We separate semantic identity binding from temporal identity maintenance. An object's identity should be fixed at a m
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31471, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange