通用视觉自监督研究报
A Daily Digest of Visual Self-Supervised Learning
2026-07-21 图像表征 · VFM · JEPA · 视频预训练
arXiv cross; open long audio-visual MLLM · P2 · 2026-07-21

Audio-Visual Flamingo:它和通用视觉自监督的关系在于:开放长音视频数据、三阶段课程和时间戳 grounding CoT,适合看视频/音频/图像联合表征的工程化路线

中高相关;详见方法、贡献和实验边界。

编号2607.16107 优先级P2 类别arXiv cross; open long audio-visual MLLM 会议arXiv cross; open long audio-visual MLLM 方法开放长音视频数据、三阶段课程和时间戳 grounding CoT,适合看视频/音频/图像联合表征的工程化路线 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于:开放长音视频数据、三阶段课程和时间戳 grounding CoT,适合看视频/音频/图像联合表征的工程化路线。 中高相关;详见方法、贡献和实验边界。

Figureure 1 · : Comparison of AVF with current SOTA model on various benchmarks.
Figureure 1 · : Comparison of AVF with current SOTA model on various benchmarks.Figure 1: Comparison of AVF with current SOTA model on various benchmarks.这张图/表用于判断 Audio-Visual Flamingo 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 2 · : AV-Flamingo training and architecture
Figureure 2 · : AV-Flamingo training and architectureFigure 2: AV-Flamingo training and architecture. Top: Starting from OmniVinci, AV-Flamingo is trained in three stages: pre-training on AV-Skills short-context data, mid-training on AV-Skills long-context data, and post-training on chain-of-thought data, producing AVF-Instruct and AVF-Think. Bottom: AV-Flamingo accepts image, video, audio, and text inputs. Visual and audio streams are encoded through separate encoders and adaptors, compressed into audio-visual embeddings, temporally grouped, and aligned with prompt text tokens using Rotary Time Embedding before being processed by the LLM.这张图概括 Audio-Visual Flamingo 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:开放长音视频数据、三阶段课程和时间戳 grounding CoT,适合看视频/音频/图像联合表征的工程化路线。

方法拆解

开放长音视频数据、三阶段课程和时间戳 grounding CoT,适合看视频/音频/图像联合表征的工程化路线

主要贡献

中高相关;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。