Newest papers

Ask About the Right Moment: Training-Free Object Identity Reasoning for Video-Language Models

Di Yang, Xiaochang Li, Muyang Liu, Yufei Wang, Yanhai Xiong · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31471 · open-access PDF

Japanese

ビデオに関する多くの質問は1つの物理的なオブジェクトに関係しています。カップがシャフされた後、ボールはどこで終わりますか? どのカードが女王ですか? どのくらいの頻度でカプセルがカバーされましたか? ビデオ言語モデル(ビデオ-LMs)は、そのようなオブジェクトを単一のフレームで認識しますが、それらを時間とともに区別することはありません。 リアルなシェルゲームのビデオでは、8Bから235Bまでのパラメータのオープンモデル、それらの思考バージョン、強化学習ツールエージェントと3つのトレーニングフリーツールエージェントは、すべて10ポイント以内に滞在します。我々は時間的なアイデンティの維持からセ

Machine translation (Meta M2M100); the English original follows.

Abstract

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

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange