arXiv 新增 + causal video-language understanding · P2 · 2026-06-19

APT：它和通用视觉自监督的关系在于：把视频事件拆成可见线索与物理机制绑定的 atomic transitions，适合扫读视频表征

中相关；详见方法、贡献和实验边界。

APT: Atomic Physical Transitions for Causal Video-Language Understanding　arXiv 新增 + causal video-language understanding　原文链接

编号2606.18586 优先级P2 类别arXiv 新增 + causal video-language understanding 会议arXiv 新增 + causal video-language understanding 方法把视频事件拆成可见线索与物理机制绑定的 atomic transitions，适合扫读视频表征来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把视频事件拆成可见线索与物理机制绑定的 atomic transitions，适合扫读视频表征。中相关；详见方法、贡献和实验边界。

**Figureure 2 · : Event-level comparison between standard event-level evaluation and A**Figure 2: Event-level comparison between standard event-level evaluation and APT.这张图/表用于判断 APT 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**Figureure 3 · : APT data construction pipeline**Figure 3: APT data construction pipeline. Human validation anchors APT semantics and coupling rules; LLM/YAML templates drive asynchronous domain-randomized simulation; VLM grounding identifies rendered objects; and simulator GT traces provide realized APT labels and timestamps. The accepted clips are exported as multi-format supervision with full 14-type coverage.这张图概括 APT 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。

核心问题

它和通用视觉自监督的关系在于：把视频事件拆成可见线索与物理机制绑定的 atomic transitions，适合扫读视频表征。

方法拆解

把视频事件拆成可见线索与物理机制绑定的 atomic transitions，适合扫读视频表征

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。