FrameScout 实现长视频理解中的查询相关帧筛选

FrameScout 提出流式选择器架构与帧-查询对比目标，解决长视频视觉 token 过多问题。 该模型利用滑动窗口 KV cache 与后继聚合生成含时间上下文的帧嵌入，并在三个长视频基准上取得 SOTA 表现。 代码已开源，论文被 NeurIPS 2026 接收。