站内搜索

3.6万帧之后，多模态模型为何仍看不懂手术

20分钟、30fps的手术视频有36,000帧。模型既要从冗余画面里抓住短暂动作，又要记住前后步骤、理解解剖关系，并给出可核查的时间证据。CliPPER、VideoMind和UniMedVL分别从长时序、主动检索和医学多