多粒度视觉表征

MuKV：面向长流式视频问答的多粒度 KV 缓存压缩

MuKV: Multi-Grained KV Cache Compression for Long Streaming Video Question-Answering

对做长视频多模态理解的人，这篇给出了一个可直接复用的 KV 缓存压缩思路：在 patch、帧、片段三个粒度上保留视觉词元，并用自注意力与频率双信号筛选词元，再配合半分层检索取回相关缓存，从而在有限显存下支撑长流式视频问答。