VideoLoom : Un grand modèle linguistique vidéo pour une compréhension spatio-temporelle conjointe
VideoLoom: A Video Large Language Model for Joint Spatial-Temporal Understanding
January 12, 2026
papers.authors: Jiapeng Shi, Junke Wang, Zuyao You, Bo He, Zuxuan Wu
cs.AI
papers.abstract
Ce document présente VideoLoom, un modèle de langage de grande taille unifié pour vidéo (Video LLM) destiné à la compréhension spatio-temporelle conjointe. Pour faciliter le développement de capacités de localisation fine spatiales et temporelles, nous constituons LoomData-8.7k, un jeu de données vidéo centré sur l'humain, comportant des descriptions temporellement ancrées et spatialement localisées. Grâce à cela, VideoLoom obtient des performances à l'état de l'art ou très compétitives sur une variété de benchmarks spatiaux et temporels (par exemple, 63,1 J&F sur ReVOS pour la segmentation d'objets vidéo par référence, et 48,3 R1@0,7 sur Charades-STA pour l'ancrage temporel). De plus, nous présentons LoomBench, un nouveau benchmark constitué de paires vidéo-question temporelles, spatiales et compositionnelles, permettant une évaluation complète des Video LLMs sous divers aspects. Collectivement, ces contributions offrent une suite universelle et efficace pour la compréhension vidéo spatio-temporelle conjointe, établissant une nouvelle référence en intelligence multimodale.
English
This paper presents VideoLoom, a unified Video Large Language Model (Video LLM) for joint spatial-temporal understanding. To facilitate the development of fine-grained spatial and temporal localization capabilities, we curate LoomData-8.7k, a human-centric video dataset with temporally grounded and spatially localized captions. With this, VideoLoom achieves state-of-the-art or highly competitive performance across a variety of spatial and temporal benchmarks (e.g., 63.1 J&F on ReVOS for referring video object segmentation, and 48.3 R1@0.7 on Charades-STA for temporal grounding). In addition, we introduce LoomBench, a novel benchmark consisting of temporal, spatial, and compositional video-question pairs, enabling a comprehensive evaluation of Video LLMs from diverse aspects. Collectively, these contributions offer a universal and effective suite for joint spatial-temporal video understanding, setting a new standard in multimodal intelligence.