通用视觉自监督研究报
A Daily Digest of Visual Self-Supervised Learning
2026-06-05 图像表征 · VFM · JEPA · 视频预训练
Visual SSL / representation · P3 · 2026-06-05

Video2LoRA：它和通用视觉自监督的关系在于：把视频编码为 LoRA 参数，让 VLM 查询时不再携带视觉 token，适合关注长视频 token 压缩的人扫读

中相关；详见方法、贡献和实验边界。

Video2LoRA: Parametric Video Internalization for Vision-Language Models　arXiv　原文链接

编号2606.04351 优先级P3 类别Visual SSL / representation 会议arXiv 方法把视频编码为 LoRA 参数，让 VLM 查询时不再携带视觉 token，适合关注长视频 token 压缩的人扫读 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把视频编码为 LoRA 参数，让 VLM 查询时不再携带视觉 token，适合关注长视频 token 压缩的人扫读。 中相关；详见方法、贡献和实验边界。

Figureure 1 · : VIDEO2LORA overview
Figureure 1 · : VIDEO2LORA overviewFigure 1: VIDEO2LORA overview. Training (left): A frozen VLM encodes the input video into hidden states. The trainable VIDEO2LORA hypernetwork reads these states and generates LoRA adapter weights in a single forward pass. The adapter-augmented frozen VLM is trained against teacher-generated targets. Inference (right): Given a new video, VIDEO2LORA generates the LoRA adapter once. The frozen VLM, augmented with this adapter, answers arbitrary text queries without visual tokens. Per-query cost is independent of video length.这张图概括 Video2LoRA 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。
Figureure 2 · : Inference efficiency on VidCapBench, comparing the base model and VI
Figureure 2 · : Inference efficiency on VidCapBench, comparing the base model and VIFigure 2: Inference efficiency on VidCapBench, comparing the base model and VIDEO2LORA. (a) Change in mean Token-F1 from replacing in-context video tokens with VIDEO2LORA.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Video2LoRA 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：把视频编码为 LoRA 参数，让 VLM 查询时不再携带视觉 token，适合关注长视频 token 压缩的人扫读。

方法拆解

把视频编码为 LoRA 参数，让 VLM 查询时不再携带视觉 token，适合关注长视频 token 压缩的人扫读

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。