LongVU ist ein innovatives Modell für das Sprachverständnis in Langvideos. Durch einen raum-zeitadaptierten Kompressionsmechanismus reduziert es die Anzahl der Video-Markierungen, während gleichzeitig visuelle Details im Langvideo erhalten bleiben. Die Bedeutung dieser Technologie liegt in ihrer Fähigkeit, eine große Anzahl von Videobildern zu verarbeiten und dabei nur geringe visuelle Informationen bei begrenzter Kontextlänge zu verlieren. Dies verbessert die Fähigkeiten zum Verständnis und zur Analyse von Langvideoinhalten deutlich. LongVU übertrifft in verschiedenen Benchmarks für Videoverständnis bestehende Methoden, insbesondere bei der Analyse von Videos mit einer Länge von bis zu einer Stunde. Darüber hinaus lässt sich LongVU effizient auf kleinere Modellgrößen skalieren, wobei gleichzeitig die leistungsstarke Videoverständnisleistung erhalten bleibt.