[CV]《Mid-Training Language Models on Raw Video》J Hwang, X Shen, E Chang, C Zhao… [Meta AI] (2026)

在模型扩展领域，吸收无标注视频是一个悬而未决的难题。过去的方法受困于昂贵的字幕生成，本质原因是死守文本为唯一中介，拒收连续视觉流。

本文的核心洞见是：把视频重新看作连续的视觉词元。由此，让模型直接预测下一个视觉特征这一关键操作使问题得以解开。

这项工作真正留下的遗产是证实视觉接龙可反哺模型。它为后来者打开的新门是免标注吞噬原始视频，但尚未跨过的门槛是厘清收益源于时序内化还是像素曝光。

arxiv.org/abs/2610.11019 #机器学习# #人工智能# #论文# #AI创造营#