arXiv：基于图像表示构建紧凑视频编码器
发生了什么
据arXiv论文，研究者提出一种基于图像表示的紧凑视频编码器。该方法通过冻结图像编码器生成帧候选，利用问题感知选择器分配固定Token预算，并由轻量级精炼器进行上下文更新。在Qwen3-VL-8B上，该路径使用1,535个视觉Token达到62.75的平均分，优于原生Conv3D；在Qwen3-VL-32B上达到66.28分，并提供2.16倍端到端加速。
- Qwen3-VL-32B加速比
- 2.16x
- Qwen3-VL-8B视觉Token数
- 1,535
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
- arXiv cs.CV一手材料
Video Encoders Built on Image Representations
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 一手材料1 个发布入口