LoHi 框架：低分辨率稠密采样让长视频理解准确率提升 10.6 个百分点

LoHi 用稠密低分辨率视频流搭配稀疏高分辨率帧做 VLM 长视频理解，免训练、单次前向，高分辨率帧由 I 帧元数据（LoHi-Anchor）或 query 相关性、视觉多样性（LoHi-SemDiv）选出。三个长视频基准上，同 token 预算下比原生分辨率基线平均提升 10.6 个百分点，比最强此前效率方法提升 5.2 个百分点。小时级视频前端解码延迟最高降低 7 倍。