LongVU é um modelo inovador de compreensão de linguagem para vídeos longos, que utiliza um mecanismo de compressão adaptativa espaço-temporal para reduzir a quantidade de marcadores de vídeo, mantendo os detalhes visuais. A importância dessa tecnologia reside na sua capacidade de processar um grande número de quadros de vídeo, com apenas pequena perda de informação visual dentro de um comprimento de contexto limitado, melhorando significativamente a capacidade de compreensão e análise de conteúdo em vídeos longos. O LongVU superou os métodos existentes em vários benchmarks de compreensão de vídeo, especialmente na tarefa de compreensão de vídeos com duração de até uma hora. Além disso, o LongVU pode ser eficientemente dimensionado para tamanhos de modelos menores, mantendo o desempenho de ponta em compreensão de vídeo.