已收录文章摘要，完整内容可前往原文阅读。
作者：Open-o3-Video 团队（北大、复旦、南洋理工）视频里真正决定答案的线索，可能只出现短短几秒，或者散落在视频的不同时刻。如果模型只看预先稀疏抽取的画面，关键动作、人物或物体很容易被漏掉。