资料索引 视频理解 · arXiv 2611.21392
作者 Yancheng Long 等
VideoNexus: Video Perception Beyond the Reasoning Context
Daily Papers 收录于

不断把原始帧塞回同一个上下文,长视频会很快挤满输入。新框架由规划器选择时间段、观察密度和待解决的疑问,单独的感知任务在自己的上下文中阅读音视频,再交回证据。

作者在 LVBench 上以同一模型承担两种角色,相对该模型内置的代理处理高 1.1 个百分点,测得 API 成本为后者的 44%。这是特定调用方式下的账单比较,实际费用还取决于模型和任务。

原始资料