ThinkV2V：释放 MLLM 在指令引导视频编辑中的推理能力

英文标题：ThinkV2V: Unleashing the Reasoning Capability of MLLMs for Instruction-Guided Video Editing

ThinkV2V 聚焦于指令引导的视频编辑任务，旨在释放多模态大语言模型（MLLM）的推理能力。现有方法通常仅将 MLLM 作为语义编码器使用，因此在处理需要因果或语义推理的隐式编辑指令时往往表现不足。该研究指出，提升 MLLM 的推理能力可能有助于更准确地理解复杂编辑意图，并推动视频编辑 Agent 和相关开发工具的发展。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB