VideoLVR：基于潜在视觉推理的视频证据框架

多模态大模型在视频理解中常因缺乏机制重访视觉证据而导致视觉遗忘。VideoLVR 通过构建局部区域的潜在视觉证据来支持中间推理步骤，并引入视觉 token 预测目标，将视觉重建与文本生成统一在相同的 token 预测框架中。