全部标签

VSI-Bench

Spatial-TTT：流式空间智能的另一条路，不是更长的窗口而是更聪明的记忆

过去一年，长视频理解的主流思路几乎是一个共识：把上下文窗口拉长。从 32 帧到 128 帧再到上千帧，大家比的是谁能往模型里塞进更多的画面。Spatial-TTT 这篇论文一上来就把这个共识掀了：核心挑战根本不是窗口够不够长，而是空间信息怎么被选择、组织和保留。换句话说，你给模型看一段两小时的房间漫游视频，真正的难题不是它能不能"记住"这么多帧，而是它能不能把"沙发…
开源项目
- 1k
- 0
jolly6月25日