本研究提出了一种名为MCAF的无训练框架，旨在解决长视频理解的挑战。MCAF通过多模态粗到细的注意力集中策略，优先处理与理解任务相关的片段，从而显著提高准确性和整体性能，超越现有方法。

本研究提出Mavors框架，旨在解决多模态大语言模型在长视频理解中的计算效率与细粒度时空模式保持之间的矛盾。通过多粒度视频表示方法，显著提升了复杂运动和不同分辨率视频的时空推理性能。

本研究提出了一种语义驱动的搜索框架，解决长视频理解中文本查询与视觉元素之间的逻辑关系。通过定义四种逻辑依赖关系，动态更新帧采样分布，实现语义关键帧识别，显著提升了关键帧选择和视频问答任务的性能。

本研究提出了MomentSeeker基准，旨在解决长视频理解中的时刻检索问题，涵盖超过500秒的视频，评估多种检索模型的表现，揭示现有方法的局限性，并通过多模态大语言模型取得显著成果。

本研究提出了时间偏好优化（TPO）框架，以解决长视频理解中的时间基准问题。通过自我训练和偏好学习，显著提升了模型的时间理解能力，展示了TPO在长视频理解中的潜力。

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。

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。

多模态大型语言模型在短视频理解上有进展，但在长视频应用如电影和体育评论中表现不足。为此，引入了LVBench基准测试集，专注于长视频理解和信息提取。评估显示当前模型在长视频任务上表现不佳，LVBench旨在推动模型发展以应对复杂性。数据和代码已公开。

本研究针对长视频理解中多模态模型的性能问题，特别是视觉和语言模态的上下文窗口差异，提出了一种无需重新训练的数据集方法。通过扩展视觉上下文窗口和引入渐进池化推理策略，有效降低内存消耗，同时保持重要空间信息，显著提升了性能。

DrVideo是一个基于文档检索的长视频理解系统，通过转化为文本来检索关键帧并增强信息，通过迭代搜索缺失信息并增强数据，提供准确预测。实验证实了该方法的有效性，准确性优于现有方法。

该研究提出了TimeChat，一种针对长视频理解的时态敏感多模态大型语言模型。该模型通过时间感知帧编码器和滑动视频Q-Former实现。实验结果展示了TimeChat在各种视频理解任务上的强大能力。

多模态大型语言模型在短视频理解方面有进展，但对长视频理解仍不足。研究人员推出了LVBench测试集，用于挑战多模态模型的长期记忆和理解能力。通过LVBench，研究人员希望推动更先进的模型发展，解决长视频理解的复杂性。

多模态大型语言模型在短视频理解方面有进展，但对长视频理解仍不足。研究人员推出了LVBench测试集，挑战多模态模型的记忆和理解能力，以推动更先进的模型发展，解决长视频理解的复杂性。

多模态大型语言模型在短视频理解方面进展显著，但在长视频理解任务上表现不佳。研究人员推出了专门用于长视频理解的基准测试集LVBench，旨在挑战模型的长期记忆和扩展理解能力。通过LVBench，研究人员希望推动更先进的模型的发展，以满足长视频理解的复杂性。

该研究提出了TimeChat，一种针对长视频理解的时态敏感多模态大型语言模型。通过时间感知帧编码器和滑动视频Q-Former两个关键架构贡献，TimeChat具备作为长视频理解任务的通用视频助手的潜力。