深度分析
「ExtremeWhenBench」揭示長影片時序搜尋瓶頸：檢索‑定位混合模型提升 Video‑LLM 效能
研究指出，對於超過半小時的長影片，語言模型的主要瓶頸在於搜尋而非辨識。作者推出ExtremeWhenBench基準，發現傳統影片‑LLM在長片上表現崩潰，框架式的檢索再定位方法可提升約6.7倍的mIoU，此結果暗示未來影片搜尋與內容分析需重新設計，結合檢索與生成或成主流方向。同時，研究也指出檢索階段的效能提升可直接降低影片‑LLM的運算成本。
Video-LLM
深度分析
CoVER：結合查詢擴充與答案回饋提升長影片理解的 Video‑LLM 框架
隨著Video‑LLM在長影片推理上的突破，研究提出CoVER框架，結合查詢擴充取得多元視覺證據與答案線索驅動的視覺回饋驗證，形成閉環推理流程。實驗顯示在MLVU、LVBench等基準上提升3至5個百分點，顯示完整證據取得與答案驗證對長影片理解的關鍵價值。
深度分析
LyraV 讓線上 Video‑LLM 實現 98% 同步率的 SVLS 框架
線上影片大型語言模型在即時串流時常因回應產生暫停，導致視訊與語音不同步。研究提出LyraV結合框架式轉換控制器與串流標記節奏器，以每框僅產生少量詞彙，實現98%同步率與3.89FPS的即時表現，此技術亦為未來AR眼鏡與機器人助理提供持續感知與即時敘事的基礎。