论文阅读与技术实践
知行札记
这里记录论文阅读、技术实验与工程复盘。每篇笔记都尽量说清楚：它解决了什么、为什么有效，以及怎样真正用起来。
知识索引
查找文章
共 9 篇文章
没有找到匹配的文章，请调整关键词或重置筛选。
论文笔记
长视频Benchmark
HourVideo：1小时视频语言理解
斯坦福团队（李飞飞组）提出的小时级视频 - 语言理解基准。从 Ego4D 中精选 500 个第一人称视频（时长 20–120 分钟、平均 45.7 分钟），配套 12,976 个高质量五选一问题。零样本评测显示：GPT-4V（25.7%）、LLaVA-NeXT（22.3%）只比随机猜测（20%）略好，最强的 Gemini 1.5 Pro 也只有 37.3%，而人类专家达 85.0%—— 长视频理解与人类差距巨大。
综述
MVBench：一个综合的多模态视频理解基准
面向多模态大模型的视频理解综合评测基准，包含 20 个任务。
综述
多模态大语言模型的高效令牌压缩调查
多模态大模型 Token 压缩方法综述，回答 "视觉 token 太多怎么省"。
综述
视频基础模型
视频基础模型（ViFM）综述，重点讲自监督预训练，尤其是掩码重建类方法。
综述
从秒到小时：评测多模态大型语言模型对长视频理解的表现
聚焦 "长视频理解" 的多模态大模型综述，核心贡献是提出时间推理粒度的分层框架。
综述
基于大语言模型的视频理解综述
第一篇系统梳理 "用 LLM 做视频理解" 的综述，提出统一分类框架，并汇总了视频理解任务、数据集和评测指标。
长视频Benchmark
LVBench：一个极端长视频理解基准
针对极端长视频（平均 68 分钟）的评测基准：103 个视频（共 117 小时）+ 1,549 道专家人工标注题，提出六大核心时间理解能力框架
长视频Benchmark
LONGVIDEOBENCH：一个用于长上下文交错视频-语言理解的基准
提出 referring reasoning（指称推理）任务 + 长视频交错理解基准：3,763 个视频（最长 1 小时）+ 6,678 道人工标注多选题 + 17 个细分类别
长视频Benchmark
Video-MME：首个多模态大语言模型视频分析综合评测基准
首个全频谱（full-spectrum）多模态视频理解评测基准：900 视频、2700 道人工标注多选题
技术文章
关于
我关注计算机视觉、长视频理解方向，以及如何把复杂概念解释清楚。
写作是检验理解的一种方式。这个网站会持续收录论文阅读笔记、技术实践与阶段性思考，也会保留观点变化的过程。