本研究提出了一种新型视频分析系统AVA，基于视频语言模型（VLM），旨在提升开放性分析场景的适应性。AVA通过实时构建事件知识图谱和代理检索生成机制，显著改善复杂查询的表现，并在多个基准测试中超越现有系统，展示了处理超长视频内容的潜力。

智源研究院与多所高校合作推出Video-XL模型，能够高效理解小时级超长视频。该模型仅需一块80G显卡，处理2048帧输入，准确率接近95%。Video-XL在长视频理解任务中表现优异，解决了现有模型的性能和效率问题，未来可广泛应用于电影摘要等领域。