长视频理解：从十分钟到两小时的挑战

长视频的挑战

两小时视频的 Token 数远超任何上下文窗口；关键信息稀疏（绝大部分帧是过渡）；时序关系跨越数小时。

技术路线

层级化理解（帧到片段到场景到全局）、关键帧检索加局部精读、流式增量理解。三种路线各有适用。

应用场景

影视内容分析、监控事件回溯、在线课程索引、会议录像检索。需求真实且付费意愿明确。