Video-CoE：通过事件链强化视频事件预测

尽管多模态大语言模型（MLLM）在各类视频任务中取得进展，视频事件预测（VEP）仍探索不足。VEP 要求模型进行细粒度时序建模并建立视频与未来事件的逻辑关系，而这正是当前 MLLM 的短板。本文首先评估了主流 MLLM 在 VEP 任务上的表现，揭示其预测不准源于逻辑推理能力缺失及视觉信息利用不足。为此，我们提出“事件链”（CoE）范式，构建时序事件链以隐式引导模型关注视觉内容及逻辑连接，并通过多种训练协议激励模型的推理能力。实验表明，该方法在公开基准上优于现有开源及商业 MLLM，确立了 VEP 任务的新最先进水平。