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 (Cornell University)

DOI: 10.48550/arxiv.2610.31471 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Nhiều câu hỏi liên quan đến một đại lý ghi điểm trực tiếp liên quan đến một đối tượng vật lý. Ở đâu quả bóng kết thúc sau khi các cốc được shuffled? Thẻ nào là nữ hoàng? Bao nhiêu lần các mô hình ngôn ngữ video (Video-LMs) nhận ra các đối tượng như vậy trong các khung duy nhất nhưng không giữ chúng tách rời theo thời gian. Trên các video trò chơi vỏ thực, các mô hình mở từ 8B đến 235B trên các thông số, các biến thể suy nghĩ của họ, một đại lý công cụ được học tăng cường và ba đại lý công cụ miễn phí đào tạo đều ở trong vòng mười điểm cơ hội. Chúng tôi yêu cầu liên kết nhận dạng ngữ nghĩa với việc duy trì danh tính thời gian. Bản sắc của một đối tượng nên được cố định tại một thời điểm khi bằng chứng cho nó được nhìn thấy, và sau đó được thực hiện bởi

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 moment when the evidence for it is visible, and carried afterwards by a tracker. \emph{Track, Then Bind} implements this principle without training. A promptable video tracker follows every candidate object and draws it with a track number. A frozen vision-language model answers a static question about the identifying evidence, which binds the target to a track. The answer is then derived from the tracked state in text, without asking the model to reinterpret the original video during read-out. A single configuration covers all benchmarks. With Qwen3-VL-32B it solves both VET-Bench tasks, where a fine-tuned trajectory model reaches 92\% and 90\% and the same VLM voting over 16 samples stays at 30--32\%. It answers 55.4\% of the hardest Perception Test cup games, where the best published model answers 41.5\%, and, using track-derived timelines, 48.6\% of TOC-Bench questions, against 37.1\% for the same model answering directly. Drawing the same tracks on the video and asking the question directly falls 12--19 points short of the agent on real cup games.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Ask price, Computer science, Identity (music), Artificial intelligence, Object (grammar), Perception

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