视频大模型运动方向辅助分支架构图

概览

带运动方向辅助目标的视频大模型上下两段式架构图。这是一张可编辑的 PowerPoint 图，依据 CC BY 4.0 许可改编自论文原图。

图中内容

上段是训练和推理共用的主路径：输入视频帧 → 冻结视觉编码器 → 可训练投影层 → 视觉 token F ∈ ℝ^{T×N×D}，加上问题文本 token → 大语言模型 → 输出文本，用 L_LM 监督。下段是仅训练时使用、推理时移除的分支：F_t 与 F_{t+1} 的特征差分，经 Pool_N(·) 得到运动描述子 δ_t ∈ ℝ^D，送入运动预测头，用 L_MVP 约束预测方向与目标方向表盘。右侧面板给出总目标 L_total = L_LM + λL_MVP 和归一化位移的运动目标 m_t，并附可训练 / 冻结 / 仅训练信号图例。每个方框、箭头、标签和公式都是原生形状，改配色、改文字、拆开单独用都行，适合组会汇报、开题、论文配图和海报。

文件格式

下载包含：.pptx（1 页，13.33 × 4.71 英寸；PowerPoint、Keynote、WPS、LibreOffice 都能打开；Google Slides 也能用，但复杂自由曲线可能略有偏移）、.svg、.drawio。附原尺寸预览图 preview.png，另有 1200 px 网页预览图。

形状与编辑

103 个原生可编辑形状：26 个自选图形、43 个文本框、12 个自由曲线、22 条线条/连接线。不含任何嵌入图片，全部矢量。可编辑内容：全部文字和公式（𝐅 ∈ ℝ^{T×N×D}、𝐅_t、𝐅_{t+1}、Pool_N(·)、δ_t ∈ ℝ^D、L_MVP、L_total、带范数竖线的 m_t 分式）、叠放的输入帧卡片和 t → t+1 运动箭头、编码器 / 投影层 / 大模型方块、视觉与文本 token 胶囊、问题气泡、两个运动方向表盘、特征差分条、虚线的仅训练路径、图例，以及原生矢量火焰 / 雪花图标。

嵌入图片与字体

本文件不含任何嵌入图片，全部为矢量。文字统一用 Times New Roman（Windows 和 macOS 自带；LibreOffice 会用等宽度的 Liberation Serif 显示）。双线体 ℝ 用 Cambria Math（随 Microsoft Office 安装），其他软件会自动换成数学字体。上下标是真正的上标 / 下标文字格式，不是公式编辑器对象。SVG 里的文字仍是可编辑文字；draw.io 文件是逐个形状转换的，个别位置可能要微调。本文件是忠实重绘，不是作者的原始源文件。