ThinkV2V：释放 MLLM 推理能力，实现指令引导的视频编辑

ThinkV2V 是一个推理驱动的指令引导视频编辑框架，通过 MLLM-to-DiT 架构让 MLLM 在视觉生成前先对源视频和指令进行显式思考，生成精炼的条件信号。它结合渐进式课程训练与推理时思考扩展，并配套 ThinkV2V-150K 数据集和 ThinkV2V-Bench 基准。实验显示其 5B 规模 DiT 模型在复杂与标准编辑场景均达 SOTA，大幅超越 10B 规模基线。