研究人员开发了MERIT，一个用于理解超出当前多模态大语言模型实际处理限制的超长视频的新框架。MERIT采用两阶段方法，首先构建一个注重可检索性的查询无关记忆，然后进行基于检索的推理。该方法利用了情景多键表示进行精确记忆检索，并通过在推理时扩展检索片段周围的时间范围来捕获更广泛的语义上下文的邻居过滤机制。MERIT在EgoLifeQA、LVBench和Video-MME (Long)等基准测试中展示了最先进的性能。 AI
影响 该框架可以为分析扩展视频内容（如监控录像或历史档案）带来新的应用。
排序理由 该条目是一篇学术论文，详细介绍了一个新的视频理解框架。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
