长视频 MLLM 视觉 token 分配的控制研究：选择、压缩与再投资

一项控制变量研究比较了长视频 MLLM 中视觉 token 的分配策略，发现帧选择是影响最大的环节：在 LongVideoBench 的小时级分桶上，8 帧查询选择比 16 帧均匀采样高 6.9 分，而数十年前的稀疏近似算法 Orthogonal Matching Pursuit 在三个基准上追平或接近所有专用选择器。