# 视频大语言模型

视频大模型压缩视觉token时，压缩决策本身也要做大量特征比对。新方法把压缩视频里已有的参考帧依赖、运动矢量和残差对齐到token网格，用它们先圈出小候选集，再在候选集内做局部视觉相似度判断。在三个视频大模型和四个视频理解基准上，性能与免训练基线FlashVID相当、部分设置更好，token保护与跨帧匹配的比对量明显下降。

视频大模型压缩视觉token时，压缩决策本身也要做大量特征比对。新方法把压缩视频里已有的参考帧依赖、运动矢量和残差对齐到token网格，用它们先圈出小候选集，再在候选集内做局部视觉相似度判断。在三个视频大模型和四个视频理解基准上，性能与免训练基线FlashVID相当、部分设置更好，token保护与跨帧匹配的比对量明显下降。