高分辨率视频理解

先注视再注意力：通过自回归注视实现高效可扩展的视频理解

Attend Before Attention: Efficient and Scalable Video Understanding via Autoregressive Gazing

把「先看再算」做成可插拔的轻量模块：用自回归+强化学习在 ViT/MLLM 之前挑出最小多尺度 patch 集合，并以重建误差阈值控制保真度，可直接用于长视频、高分辨率输入下的 token 削减与推理加速。