# ThinkV2V-150K数据集

该工作提出 ThinkV2V，一个在视觉生成前显式激活多模态大模型思考的推理驱动视频编辑框架：它用 Qwen3-VL-Thinking-8B 对源视频与指令做思维链推理并输出精炼提示，经可学习查询连接器把隐藏状态注入 Wan-2.1-5B 的 DiT，配合渐进式课程训练与推理时思考扩展，并构建 ThinkV2V-150K 数据集与 ThinkV2V-Bench 基准；在两种评判模型下，该 5B 规模模型在复杂与标准编辑场景中均取得最佳总分，并超过若干 10B 级基线。

该工作提出 ThinkV2V，一个在视觉生成前显式激活多模态大模型思考的推理驱动视频编辑框架：它用 Qwen3-VL-Thinking-8B 对源视频与指令做思维链推理并输出精炼提示，经可学习查询连接器把隐藏状态注入 Wan-2.1-5B 的 DiT，配合渐进式课程训练与推理时思考扩展，并构建 ThinkV2V-150K 数据集与 ThinkV2V-Bench 基准；在两种评判模型下，该 5B 规模模型在复杂与标准编辑场景中均取得最佳总分，并超过若干 10B 级基线。