video-captioning

本文介绍了ZENDAYA，这是一种用于流式多模态解码器的闭式带宽调节器，它动态调整输入读取以提高实时文本生成性能。研究表明，在视频和音频基准测试中，减少输入消耗可以增强流式设置下的质量和效率。

介绍了多参考图像 grounded 视频字幕生成任务，并提出了 RefCaptioner，一个两阶段后训练框架，结合混合数据 SFT 和分层覆盖率折扣 GRPO。论文还介绍了 MRVBench，一个用于评估字幕事实性和多参考图像 grounding 的基准。

介绍PEEK，一种高效动态帧采样方法，它从教师模型中蒸馏出字幕条件帧相关性排名，并将其融入轻量级时序模型，在视频字幕生成中优于最先进方法，同时保持计算效率。

NemoStation/Marlin-2B 是基于 Qwen3.5-2B 微调的模型，用于视频-文本到文本任务，支持视频字幕生成和时间定位。