FOCUS 提出免训练框架优化视觉语言模型视频理解

FOCUS 是免训练三层框架，通过时序门控和空间焦点地图减少 VLM 调用次数。 在 EgoSchema 子集上，基于 Qwen3-VL-8B 达到 74.8% 准确率，仅耗 25.4 次调用。 较均匀采样减少 57% VLM 调用，显著提升流式视频处理效率。