I Seek You in Videos: Identity-Conditioned Queries for Person-Centric Video Reasoning
arXiv 论文 2608.07417v1 提出 Identity-conditioned Queries (ICQ) 任务，要求模型联合关联视频和人物参考图像，进行身份定位、行为理解和时间推理。论文发布 ISYV-Bench 基准，含 1,377 个真实世界复杂视频和 1,377 个问答对，分六个难度级别；ISYV-75K 训练集含 75K 高质量样本；ISYV-Framework 包含面向 ICQ 的模型和训练策略。
发展脉络
- 首次出现I Seek You in Videos: Identity-Conditioned Queries for Person-Centric Video ReasoningarXiv cs.AI
- 当前判断该工作表明视频推理正从简单的视频-文本对转向多模态、多源输入，强调身份匹配和人物中心推理，这可能推动视频理解在安防、社交媒体分析等领域的应用。可验证的下一信号：是否有后续工作引用该基准或方法，以及是否出现基于 ICQ 的商业产品。Agent Pulse · 分析
该论文针对现有视频推理任务通常假设简化的视频-文本设置，限制了身份匹配和以人为中心的推理的问题，引入 Identity-conditioned Queries (ICQ) 任务，要求模型联合关联和解释输入视频和人物参考图像，并利用该条件处理身份定位、行为理解和时间推理等挑战。论文提出 ISYV 系统解决方案，包含三个组件：ISYV-Bench 基准，包含 1,377 个真实世界复杂视频和 1,377 个问答对，按六个难度级别组织，覆盖从身份识别到因果推理的能力；ISYV-75K 训练集，包含 75K 高质量样本，通过自动标注、多阶段验证和人工审查构建；ISYV-Framework，包含面向 ICQ 的模型和训练策略，用于学习利用信息丰富的视频片段而无需额外的片段级标注。
ICQ 任务将身份条件引入视频推理，要求模型同时处理视频和参考图像，这比传统视频问答更接近真实场景。ISYV-Framework 的训练策略可能涉及如何有效利用视频中的信息片段，而无需片段级标注，这暗示了注意力机制或对比学习等技术的应用。可验证的下一信号：论文是否公开代码或模型权重，以及 ISYV-Bench 是否成为社区基准。
该工作表明视频推理正从简单的视频-文本对转向多模态、多源输入，强调身份匹配和人物中心推理，这可能推动视频理解在安防、社交媒体分析等领域的应用。可验证的下一信号：是否有后续工作引用该基准或方法，以及是否出现基于 ICQ 的商业产品。
对于视频内容平台，ICQ 技术可提升人物搜索和个性化推荐；对于安防行业，可增强人物识别和行为分析。可验证的下一信号：是否有公司采用 ICQ 相关技术或与论文作者合作。
未来，ICQ 任务可能扩展到更多人物中心的应用，如视频检索、人物追踪和交互分析。ISYV-Bench 的六个难度级别可能成为评估视频推理模型的标准。可验证的下一信号：后续论文是否在 ISYV-Bench 上报告结果，以及是否有新方法超越 ISYV-Framework。