TrajTok是一种视频标记模块，通过动态调整标记粒度，解决视频模型中的标记冗余问题。它集成了统一的分割器，能够高效生成对象轨迹，提升视频理解性能。在分类和检索基准测试中表现优异，可作为预训练视觉特征的探测头或视觉-语言模型的连接器。

文心大模型5.0正式上线，参数达到2.4万亿，提升了智能体与工具调用能力。PaddleOCR-VL-1.5发布，解决了曲面文档解析问题，并新增67个数据集，支持多模态推理与视频理解。社区活动包括文心Moment大会与AICA架构师培养计划，促进AI技术应用与开发者交流。

ConvertX 是一款自托管的在线文件转换器，支持多种格式和批量处理。Yuxi-Know 是智能体开发平台，结合知识库与图数据库，支持多模态分析。flowsurface 是加密货币市场的桌面图表分析工具，提供多种图表类型和实时数据。Kiro 是智能集成开发环境，支持软件全流程构建。VideoRAG 实现视频内容的深度理解与交互。

TwelveLabs于2025年12月1日发布了Marengo 3.0视频基础模型，具备视频理解、物体追踪和时空推理功能，存储成本降低50%，索引速度提升2倍。该模型支持多模态查询，适用于体育、媒体和公共安全等领域，现可通过Amazon Bedrock访问。

Uni-MoE-2.0-Omni是哈尔滨工业大学深圳分校研发的全模态大型模型，支持文本、图像、音频和视频的理解与生成。基于Qwen2.5-7B模型，采用动态容量路由和渐进式监督学习，显著提升了跨模态推理能力，尤其在视频理解和长语音处理方面表现优异。

NVIDIA推出Nemotron Nano 2 VL模型，支持视频理解和文档智能，采用混合Transformer-Mamba架构，具备高效视频采样技术，提升处理效率和准确性，适用于多模态应用。

本文探讨了视频理解基准的局限性，指出现有评估方法未能有效区分模型的时间推理能力。提出了VBenchComp，一个自动化流程，将问题分类为可回答、语义和时间问题，以便更细致地评估视频大语言模型的能力。分析表明传统评分掩盖了模型的弱点，并为未来基准设计提供了建议。

计算机视觉国际大会（ICCV）是顶级会议之一，专注于视频理解和多模态推理，涵盖时间表示、实时对话生成和视觉大语言模型等研究，推动了计算机视觉领域的发展。

本文介绍了SlowFast-LLaVA-1.5（SF-LLaVA-1.5），一种高效的视频大语言模型，专注于长视频理解。该模型结合了SlowFast机制和联合视频-图像训练，在1B和3B规模下表现出色，满足移动友好模型的需求。实验结果显示，SF-LLaVA-1.5在多个视频任务上表现优异，尤其在长视频理解方面达到了最先进水平。

TwelveLabs 视频理解模型已在 Amazon Bedrock 上线，支持视频搜索、分类和总结。用户可通过自然语言查找视频特定时刻并生成描述性文本，提升视频分析能力，适用于各行业的视频工作流。

Meta Platforms Inc. 发布了新人工智能模型 J-VEPA 2，该模型通过视频理解物理世界，帮助机器人和AI代理进行规划与预测，构建世界模型，减少现实世界中的试验次数，提高安全性和效率。

香港城市大学的Gao等人研究了视频理解中的幻觉，分为三类：与先前知识冲突、上下文冲突和能力不足。提出了一种有效的微调数据集方法，通过思维链生成视频对和答案。