一句话看懂：alphaXiv 上的一篇论文提出，视频编码不必让相邻帧在早期就交互：先用冻结的图像编码器保留逐帧证据，再用问题感知选择器统一分配少量 Token，最后对入选锚点做轻量时序修正。按其报告，结果在 13 项基准上接近“全图像 Token”路径，而视觉 Token 只用到约 28% 至 35%。
事件核心：发生了什么
论文关注的是一个具体矛盾：原生视频通路在视觉编码阶段就让相邻帧耦合，而图像通路逐帧独立编码，能保留更细的帧级证据，却要把全部图像 Token 送进语言模型，视觉输入成本高。
作者把常被混在一起的三件事拆开：逐帧表示、跨帧 Token 分配、时序交互。流程是：冻结的图像编码器先生成各帧候选；一个冻结的、问题感知的选择器按相关性、帧内多样性和相邻帧对应关系分配固定 Token 预算；随后一个可选的学习式修正器让保留的锚点读取邻帧上下文，并只写入残差更新。选择器保持锚点数量不变，论文称其为“零扩张”，但这指的是输出接口，不代表整体没有算力开销。
素材给出的数据显示，在 Qwen3-VL-8B 上，该方法以 1,535 个视觉 Token 取得 13 项基准宏平均 62.75，全图像路径为 4,424 Token、62.58，原生 Conv3D 为 2,212 Token、59.49；在 Qwen3-VL-32B 上为 66.28，对比全图像的 66.09，并报告 2.16 倍端到端加速。需说明的是，以上为论文摘要与页面摘要信息，尚不等于已上线产品能力。
为什么重要
视频多模态的成本大头往往不是“能不能看懂”，而是要看多少帧、塞多少视觉 Token。若“先保留帧级证据、再联合分配、最后补时序上下文”的路线成立，视频理解可以在不早期混帧的前提下压缩视觉输入，这对长视频、监控回放、教育录播等需要细粒度时刻判断的场景更有价值。
它也可能改变视频编码器与图像编码器的关系：图像模型生态的复用空间变大，团队不必为视频从头训练重时序编码器，而是把重心放在选择与修正模块上。
对用户/开发者/创作者的影响
对开发者而言，这意味着视频理解应用的推理成本和上下文占用有机会下降，尤其是基于 Qwen3-VL 这类现有多模态骨干做二次开发时，选择器与可选修正器是较清晰的工程切口。对普通用户，短期内更可能体现为视频问答、内容审核或录播摘要类功能在同等算力下能处理更长素材。对创作者，若平台采用类似方案，长视频被“看懂”的单位成本可能降低，但具体画质、帧率、问题类型都会影响实际压缩效果。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是看该路径是否被更多视觉语言骨干复现，尤其是非 Qwen 系列。二是看选择器在真实长视频、多镜头切换和小区域短时变化上的稳定性。三是看推理框架与 API 侧是否把“固定视觉 Token 预算”做成可配置项，那才是从论文走向产品化的关键一步。
来源：alphaXiv
