本研究提出了一种名为差异蒸馏的方法，旨在降低视频语言模型处理长视频的计算成本。通过差异关键帧选择和特征合并机制，开发了ViLaMP模型，能够在单个NVIDIA A100 GPU上高效处理最多10K帧的视频，并在多个视频理解基准测试中表现优异。