2026CVPR 2026
Wavelet-based Frame Selection by Detecting Semantic Boundary for Long Video Understanding
从有噪声的查询-帧相关性信号中检测语义边界,再按片段重要性分配帧预算。方法无需训练,在 VideoMME、MLVU 与 LongVideoBench 上分别提升 5.5、9.5 与 6.2 个百分点。
正式开启 PhD student 新生活!
加入高德地图(阿里巴巴集团)实习。
🎉 1 篇论文(LLM Orchestration)被 ICML 2026 接收。
🎉 1 篇论文(WFS-SB)被 CVPR 2026 接收。
🎉 1 篇论文(QuoTA)被 AAAI 2026 接收。
* 表示共同贡献
全部 9 篇论文
2026CVPR 2026
从有噪声的查询-帧相关性信号中检测语义边界,再按片段重要性分配帧预算。方法无需训练,在 VideoMME、MLVU 与 LongVideoBench 上分别提升 5.5、9.5 与 6.2 个百分点。
2026AAAI 2026 · Equal contribution
在跨模态交互前,根据查询对各帧分配视觉 token。CoT 将复杂问题拆成可判定线索,同等 token 预算下在六个视频基准上平均提升 3.2 个百分点。
2026arXiv preprint · Equal contribution
先把视频划成视觉一致的事件,再为每个事件定位查询相关锚点,最后用自适应 MMR 做全局补充,在覆盖、相关性和多样性之间取得平衡。


多模态与视频理解方向


本科阶段开始研究生成式视觉与人脸美学
从像素与视觉 token,到 Gated DeltaNet 的矩阵记忆、Full Attention、MRoPE 和 MoE。以 9B 为主例,逐层分析 Qwen3.5 的数学原理、张量维度与混合架构。
75 分钟从像素证据、可执行世界表示与溯因式发现循环出发,理解 Code-as-World 怎样把物理机制变成可运行、可检验、可修订的外显状态,以及这条路线离开放世界智能还有多远。
32 分钟从视频编码基础一路读到 OneVision-Encoder、codec-video-prep、LLaVA-OneVision-2 与 Mage-VL 的论文设计、真实源码、复现差异和现有缺陷。
75 分钟