提出LARVA框架：潜在推理与视觉观察蒸馏视频智能体

Junzhang Liu 等在 arXiv 论文（2610.35229）中提出 LARVA 框架，通过联合学习的潜在推理与视觉观察来蒸馏多轮视频智能体：观察器以紧凑连续表示代替文字描述传递给推理器，由推理器选择下一步获取动作或给出最终答案。 论文称，LARVA 在五个视频理解基准上以 4B 和 7B 模型为骨干取得较强表现；据论文报告，在 VideoHolmes、Video-MME 和 LVBench 上，其 7B 模型分别在相同教师轨迹训练的文本思维链学生模型基础上高出 5.1、2.5 和 3.7 个百分点。

AI 根据报道生成 · 37 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。