ThinkV2V视频编辑框架发布

发生了什么

据Hugging Face Papers报道，研究提出ThinkV2V，一个基于MLLM推理能力的指令引导视频编辑框架。该框架通过在视觉生成前激活多模态推理，处理隐含且因果复杂的视频编辑任务。核心架构将源视频和指令的显式思考转化为精炼的条件信号，结合渐进课程训练和推理时思维扩展技术。实验显示，其5B规模DiT模型在复杂和标准编辑场景中表现优于更大的10B基线模型。