多模态基础模型
突破级
暂无讲解视频
收录解读
这篇论文的关键点是把视频理解和视频生成放进同一个 collaborative reasoning loop。它不是单独做 VLM QA，也不是单独生成视频，而是让两类模型互相补足。
这种结构对多模态推理有价值：VLM 可以提出解释和检查点，video generation model 可以模拟或补全可能的时序过程，从而改善长程视频推理。
它值得正式收录，因为多模态系统正在从单模型输入输出转向 perception-generation-reasoning 的闭环协作。CollabVR 是这个工作流模式的代表。
它没有更高，是因为生成模型参与推理可能引入 hallucinated evidence，闭环可靠性和验证机制需要更强实验。