课题详情： 【背景】 感知和理解世界是多模态模型的根本，不仅本身有着巨大的价值，也是多模态生成模型的起点。本课题旨在开发多模态模型，实现对场景几何结构、语义信息及动态变化的高精度、多颗粒度理解与状态估计，在推动长视频、长剧理解的基础上推动世界模型和可控、交互视频生成模型的发展。 【挑战】 1、多粒度时空表征建模：如何在处理长视频数据时，同时兼顾宏观语义逻辑与微观几何结构的精确捕捉，实现跨时空的特征对齐。 2、长序列状态演化的连贯性：针对数十分钟乃至数小时的视频，如何设计高效的记忆机制与推理架构，确保模型对场景动态变化的长期追踪与理解。 3、物理常识与因果推理融合：如何将物理定律（如重力、遮挡、碰撞）融入理解框架，使模型不仅能“看到”画面，更能理解动作背后的因果关系。 4、高质量理解-生成闭环数据构建：如何自动合成包含高精度标注的长视频理解数据，用于支撑世界模型的联合预训练与强化学习优化。 【具体工作】 参与本课题的同学将主要负责： 1、研发视频时空表征建模方法； 2、构建支持超长时序（如长剧、电影）的深层语义建模与关系推理框架； 3、建立模型对视频中物体状态迁移及动态演化的估计能力。 课题要求： 1、相关专业（计算机、人工智能等）在读博士 2、卓越的研究背景，在顶级学术会议或期刊（如 CVPR, ICCV, NeurIPS, ICML, ICLR, SIGGRAPH 等）发表过 2 篇以上高水平论文。 3、在开源社区有显著贡献，核心项目在 GitHub 上获得累计 100 + stars。