已收录文章摘要，完整内容可前往原文阅读。
长视频理解中，模型答错问题，有时并非因为推理能力不足，而是关键证据没有进入它的视野。一段一小时的视频，即使每秒只采样一帧，也会产生约 3600 帧。面对有限的视觉输入预算，如何选出真正有用的画面，直接