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。
一个从使用工具的智能体蒸馏而来的2B视觉语言模型，通过剪枝其多语言嵌入表以满足参数限制，在长第一人称视频问答任务中取得了第一名，仅使用1.1%的参数就达到了更大管道89%的准确率。
ReMem提出了一种双层记忆增强的关键帧选择框架，用于免训练的长视频理解，在多个基准上实现了最先进的零样本性能。
本技术报告介绍了 Kwai Keye-VL-2.0，这是一个开源的混合专家多模态基础模型，专为长视频理解和智能体智能设计，利用 DeepSeek 稀疏注意力机制和跨模态蒸馏技术，在同等规模模型中实现了最先进的性能。
MemDreamer 通过分层图记忆和代理检索解耦长视频理解中的感知与推理，在降低计算开销的同时实现了最先进的性能。