VideoLoom: Een Video Large Language Model voor Gezamenlijk Ruimtelijk-Tijdelijk Begrip
VideoLoom: A Video Large Language Model for Joint Spatial-Temporal Understanding
January 12, 2026
Auteurs: Jiapeng Shi, Junke Wang, Zuyao You, Bo He, Zuxuan Wu
cs.AI
Samenvatting
Dit artikel presenteert VideoLoom, een verenigd Video Large Language Model (Video LLM) voor gezamenlijk ruimtelijk-temporeel begrip. Om de ontwikkeling van fijnmazige ruimtelijke en temporele localisatiecapaciteiten te vergemakkelijken, hebben we LoomData-8.7k samengesteld, een mensgerichte videodataset met temporeel verankerde en ruimtelijk gelokaliseerde bijschriften. Hierdoor behaalt VideoLoom state-of-the-art of zeer concurrerende prestaties op diverse ruimtelijke en temporele benchmarks (bijvoorbeeld 63,1 J&F op ReVOS voor *referring video object segmentation* en 48,3 R1@0,7 op Charades-STA voor temporele verankering). Daarnaast introduceren we LoomBench, een nieuwe benchmark bestaande uit temporele, ruimtelijke en compositionele video-vragenparen, die een uitgebreide evaluatie van Video LLM's vanuit diverse aspecten mogelijk maakt. Gezamenlijk bieden deze bijdragen een universele en effectieve suite voor gezamenlijk ruimtelijk-temporeel videobegrip, waarmee een nieuwe standaard wordt gezet in multimodale intelligentie.
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.