多模态

长视频理解中的 Token 压缩

研究问题： 长视频输入导致上下文窗口爆炸，推理成本高。

Research Gap： 现有压缩方法容易丢失时序关键事件。

核心方法： 事件感知的多粒度 Token 压缩与记忆机制。

创新点： 保留任务相关时序线索的压缩策略。

推荐 Baseline： LLaVA-Video / 长视频 VLM 基线

潜在实验： 长视频问答准确率、压缩率与延迟。