智源研究院与上海交通大学联合推出开源视频理解模型Video-XL-2，该模型支持单卡处理万帧视频，编码2048帧仅需12秒。在长视频理解任务中表现优异，超越现有轻量级模型，具有广泛应用潜力，如影视分析和异常行为监测。

本研究提出了帧选择增强生成（FRAG）方法，旨在提高长视频和长文档的理解能力。FRAG通过独立评估每帧的相关性，能够在无需处理长上下文的情况下生成输出，从而显著提升现有多模态模型的表现。

本研究提出了一种时间动态上下文（TDC）编码方法，旨在解决长视频处理中的信息损失问题。通过语义一致性场景分割和基于查询的Transformer，有效整合视频、音频和文本信息，实验结果表明其在视频理解方面表现优异。

本研究提出了“时间搜索”框架，以解决长视频处理中的视觉幻觉问题。该框架结合聚光灯机制和反思机制，显著提高了长视频理解的准确性，LVBench准确率从41.8%提升至51.5%。

本研究提出了一种新方法，通过视觉上下文样本扩展和自我奖励对齐，解决多模态大型语言模型在理解长视频时的挑战。该方法结合不同关键帧组合，显著提高了模型在七个数据集上的表现和回答正确率。

该研究提出了一种名为LanDiff的混合框架，旨在克服文本到视频生成中语言模型和扩散模型的局限性。LanDiff通过粗到细的生成方法有效整合两者优势，在多个基准测试中表现优异，尤其在长视频生成方面超越了现有模型。

VideoRoPE是一种新的视频位置嵌入策略，扩展了RoPE在视频领域的应用，提升了长视频的理解和检索能力。它通过三维结构保留时空关系，采用低频时间分配、对角线布局和可调时间间隔，表现出更强的鲁棒性和适应性。

本研究提出了MomentSeeker基准，旨在评估长视频时刻检索模型的表现。该基准涵盖超过500秒的视频，展示了现有方法的局限性，并通过微调的多模态大语言模型取得显著成果，推动了该领域的研究进展。

本研究提出了StreamChat框架，旨在解决现有视频理解模型在长视频、多轮对话和动态场景中的不足。通过分层记忆系统，StreamChat实现了高效的视频特征处理，实验结果表明其在准确性和响应时间上优于现有模型。

本研究提出AdaCM$^2$方法，旨在提高视频理解模型在处理长视频时的效率。通过自适应跨模态记忆压缩，AdaCM$^2$增强了视频与文本的对齐能力，并显著降低了内存使用。实验结果表明，该方法在多个数据集上表现优异，特别是在LVU数据集中，任务表现提高4.5%，GPU内存消耗减少65%。

本研究提出了一种动态协作网络DynFocus，旨在解决大型语言模型在视频理解中的信息保持问题，特别是在长视频中。该方法通过动态选择重要帧和分离编码详细视觉信息，有效减少记忆消耗并提升性能。实验结果表明其在多个基准上表现优异。