כתבה
arXiv cs.CL ·
ShallowStream: אינדקס רדוד ותשובות עמוקות להבנת וידאו
ShallowStream: Index Shallow then Answer Deep for Streaming Video Understanding
ShallowStream הוא כלי להבנת וידאו בזרם. הוא משתמש בשכבות רדודות של מודלים רב-מודאליים כדי לבנות אינדקס ולאפשר תשובות מהירות. הוא מצליח להגיע לביצועים דומים לשיטות הטובות ביותר תוך הפחתת זמן התשובה.
תקציר מקורי באנגליתarXiv:2609.02780v2 Announce Type: replace-cross Abstract: Streaming video understanding is a critical capability for real-world applications, including embodied intelligence, autonomous driving, industrial monitoring, surveillance and early warning, and wearable assistants. However, processing continuous video streams with multimodal large language models (MLLMs) is computationally expensive. Existing efforts have explored reducing streaming overhead through visual token pruning, token merging, quantization, on-demand frame retrieval, and context offloading. However, most existing methods overlook the dimension of model depth. Repeatedly executing full-depth MLLM prefill over incoming frames is prohibitively expensive, incurring substantial computational overhead and causing the KV cache t
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית