标签
论文提出 LoHi，一个免训练框架，面向视觉语言模型的长视频理解，联合分配帧数、分辨率与前端解码延迟，将稠密低分辨率视频流与稀疏高分辨率帧相结合，在基线基础上将准确率提升最多 10.6 个百分点，并将小时级视频的解码延迟降低最多 7 倍。