GMoT：面向多模态大模型细粒度微手势视频推理的门控运动感知分词

论文提出GMoT运动感知分词模块，通过空间加权池化、相邻帧差分和保守初始化的语义门，将稀疏运动证据压缩后送入时序建模，并结合半监督解剖聚焦标注与奖励引导策略优化。在iMiGUE和SMG上取得67.32%和73.11%的Top-1准确率，较Qwen3-VL-8B基线分别提升6.80和3.11个百分点。