Tag · 3 篇

高效推理

分布视频理解与时序1视觉语言模型1高效模型与推理加速1

SkillSight: Efficient First-Person Skill Assessment with Gaze

把注视信号作为第一人称视频理解的额外模态，并用教师-学生蒸馏把多模态模型压缩成仅注视输入的轻量模型，为可穿戴设备上的低功耗视觉感知提供了可复用的范式。

LongVideo-R1: Smart Navigation for Low-cost Long Video Understanding

把长视频问答建模为「由粗到细的主动片段导航」：用层级视觉摘要作为推理起点，让 MLLM 智能体逐步定位信息量最大的片段，并在信息足够时提前停止，从而在低算力预算下完成长视频理解；其两阶段 SFT+RL 训练与奖励设计可直接迁移到其他需要选择性采样的视觉-语言任务。

DeltaQuant: 4-bit Video Diffusion Models with Spatiotemporal Delta Smoothing

DeltaQuant 将视频扩散模型中的激活值按 3D 时空立方体分组，仅对差分词元做 4-bit 量化，核心词元保留 FP8，为视频生成模型在消费级 GPU 上的低比特推理提供了可复用的量化范式。