EgoVid-5M: A Large-Scale Video-Action Dataset for Egocentric Video Generation
ego video，指的是第一人称视角。作者认为，目前的视频生成领域中，一直做第一人称视角生成的不好，是因为数据不够好，作者搞了一个5M的数据集，都用LLM标注了对应的action
开源就是好
Large Language Models Can Self-Improve in Long-context Reasoning
之前neubig有个工作，通过MBR decoding在一堆trace里选一个最好的，这次有人在long-context qa里应用了一遍，发现还真能涨点。
话说STAR这块，似乎大家现在研究不是很多的样子……都去搞o1了吗
