Place-it-R1：释放多模态大模型在视频对象插入中的环境感知推理潜力

针对现有视频编辑技术忽视物理因果性导致环境不一致的问题，本文提出 Place-it-R1 框架。该框架采用“先思考后放置”范式，利用多模态大模型的思维链推理进行场景理解与交互推导，生成环境感知令牌以指导扩散模型。通过引入空间直接偏好优化及闭环迭代 refinement 机制，实现了物理连贯的视频对象插入，并提供灵活性与保真度两种模式供用户选择。