为什么视频处理仍然如此昂贵？视频与视听大语言模型推理效率机制综述
本文综述了视频大语言模型（VideoLLMs）中针对帧采样、编码器、连接器及LLM执行阶段的推理效率机制，并提供了基于共享基准的定量对比。
VideoLLM
StateTrace：让视频模型记住看不见的物体状态
StateTrace 提出对象中心的时空状态记忆框架，使 VideoLLM 能够在目标物体长时间不可见时显式推理其隐藏状态，并在新基准 HSR-Bench 上取得 15–28 点的显著提升。