FlashGaze 是一种免训练方法，在 ViT 编码前以像素空间差异作为信息损失代理，用四叉树动态规划在固定预算下联合决定 patch 的丢弃、合并与保留，从而同时削减视频的时空冗余；在 Qwen3-VL-8B 与 NVILA-8B-Video 上，它在多个视频理解基准上取得更高精度与更低首 token 延迟，并在 20% 保留率下保持 LongVideoBench 全输入基线 98% 的精度。
LEAP 把小时级录音切成固定时长块、对每块做一次轻量定位打分以挑出少量候选窗口，再把这些窗口重新编码进一次有界作答，从而让作答输入与峰值上下文不随录音时长增长；在多个 AVQA 基准上比 Qwen3-Omni-30B-A3B 基线提升 4.5–16.8%，并迁移到 MiniCPM-o 4.5 超过其已发表结果 3.1–13.0%。
该工作把长视频智能体的失败模式形式化为“语义抖动”——只追加的工作记忆会不断累积噪声、稀释关键证据，并提出 VideoLoop：外层多模态智能体在沙箱文件系统中探索视频，内层记忆编排器在每一步之后从无界文件系统检索相关产物并重写有界工作记忆；在 VideoMME（长）、VideoMMMU 与 LongVideoBench（长）上，VideoLoop 以即插即用方式提升四个 LVLM 主干，平均在 VideoMME（长）上比基线高 4.2 个百分点，使用 Gemini 3.1 Pro 时分别达到 88.3%、88.8% 与 80.9%。
已读完全部报道