Actualmente, los modelos de lenguaje grandes multimodales (MLLM) han logrado avances significativos en el campo de la comprensión de video, pero el procesamiento de videos extra largos sigue siendo un desafío. Esto se debe a que los MLLM suelen tener dificultades para procesar miles de tokens visuales que superan la longitud máxima del contexto y se ven afectados por la atenuación de la información causada por la agregación de tokens. Al mismo tiempo, la gran cantidad de tokens de video también genera un alto coste computacional. Para abordar estos problemas, el Instituto de Inteligencia Artificial de Beijing, en colaboración con varias universidades como la Universidad Jiao Tong de Shanghai, la Universidad del Pueblo Chino, la Universidad de Pekín y la Universidad de Ciencia y Tecnología de Beijing, ha propuesto Vide...