行业与实践 · 标签「视频理解」

研究与基准测试/2026-09-30/8 分钟

400 个视觉 token 对上 10368：百度用固定语言模型评 CoVisco

语言模型固定为 Qwen3-4B。只送 400 个摘要 token 时，多项视频分数高于把 10368 个 token 都送进语言模型的对照。DocVQA 在只送摘要时是 20.5，比例 0.8 才到 75.1。