该研究提出视频旋转位置编码（VRoPE），旨在克服视频大型语言模型中旋转位置编码（RoPE）在处理复杂时空结构方面的局限性。VRoPE在视频理解、时间推理和检索任务中优于现有RoPE变体，展现出较大潜力。

本文介绍了一种全耦合的两路时空结构体系框架，能够在低分辨率视频中有效识别动作并保护隐私。同时，研究还涉及基于事件相机的行为识别，提出了新的数据集和模型，展示了在多视角和高效计算方面的显著进展。