CameraVLM：多数视觉模型分不清镜头左移还是右移

港广科大、腾讯与 LIX/Ecole Polytechnique 的论文提出 CameraVLM，指出多数 VLM 判断镜头是左移还是右移时表现接近抛硬币。方案用 motion tokens 捕捉屏外相机运动、flow tokens 捕捉屏内主体与背景的光流动态，并通过两阶段 state–language 对齐训练让运动语义与语言共同学习。