ThinkV2V：激活 MLLM 推理能力以实现指令驱动的视频编辑

ThinkV2V 是一个面向复杂指令驱动视频编辑的推理驱动框架，通过 MLLM-to-DiT 架构将源视频与指令的显式思考转化为精细的条件信号。框架结合渐进课程训练与推理时思考缩放，并配套 ThinkV2V-150K 数据集和 ThinkV2V-Bench。其 5B 规模 DiT 模型在复杂与标准编辑场景上均达到 SOTA，明显超越 10B 基线。