Modelos de linguagem grandes multimodais (MLLMs) têm demonstrado progresso significativo na compreensão de vídeo, mas o processamento de vídeos extremamente longos continua sendo um desafio. Isso ocorre porque os MLLMs geralmente lutam para lidar com milhares de tokens visuais que excedem o comprimento máximo de contexto e sofrem de atenuação de informações devido à agregação de tokens. Além disso, um grande número de tokens de vídeo resulta em altos custos computacionais. Para resolver esses problemas, o Instituto de Inteligência Artificial de Pequim (BAAI), em colaboração com várias universidades, propôs o Video-XL.