本研究提出了一种新的动态协作网络DynFocus，旨在解决大型语言模型在长视频理解中视觉和语义信息保持的问题。该方法通过动态选择重要帧来减少内存消耗，同时保持信息的完整性。实验结果表明，该方法在多个基准测试中表现优异。