视频理解：从抽帧到时空建模

抽帧方案的局限

均匀抽帧丢失关键瞬间，且帧间时序关系靠模型脑补。对动作、转场、因果的理解有限。

原生视频模型

把视频作为连续信号编码进模型，时空注意力建模帧间关系。长视频的显存与计算挑战仍是前沿问题。

应用场景

视频内容审核、会议记录、体育分析、监控事件检索。长视频的摘要与检索是明确的需求。