LoHi 免训练框架提升长视频理解准确率

2026 年 10 月 6 日，AGI Hunt 报道了一种名为 LoHi 的免训练长视频理解框架。该框架面向视觉语言模型（VLM），采用稠密低分辨率视频流搭配稀疏高分辨率帧的方式：低分辨率流保证时间覆盖，高分辨率帧则通过 I 帧元数据（LoHi-Anchor），或依据 query 相关性与视觉多样性（LoHi-SemDiv）选取。报道称 LoHi 无需训练、只需单次前向即可完成推理。在三个长视频基准上，相同 token 预算下，LoHi 比原生分辨率基线平均提升 10.6 个百分点，比此前最强的效率方法提升 5.2 个百分点；在小时级视频上，前端解码延迟最高降低 7 倍。目前该报道为首次披露，尚无其他来源对上述数字提出不同说法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。