LongVUは、革新的な長尺動画言語理解モデルです。時空間適応圧縮機構を通じて動画の標識数を削減しながら、長尺動画における視覚的なディテールを保持します。この技術の重要性は、大量の動画フレームを処理でき、限られたコンテキスト長の範囲内で視覚情報の損失を最小限に抑え、長尺動画の内容理解と分析能力を大幅に向上させる点にあります。LongVUは、複数の動画理解ベンチマークテストにおいて既存の手法を上回り、特に1時間の長さの動画を理解するタスクにおいて顕著な成果を上げています。さらに、LongVUは、最先端の動画理解性能を維持しながら、より小型のモデルサイズにも効率的に拡張できます。