长视频 VLM 探测-聚焦推理示意图

概览

长视频视觉语言模型"标准推理"与"两阶段推理"的对照示意图。这是一张可编辑的 PowerPoint 图，依据 CC BY 4.0 许可改编自论文原图。

图中内容

左侧是视频缩略图、A–D 选择题卡片和一个大写 Q，分成两条推理支路。标准推理：K² 帧（扇形叠放的帧）→ VLM，复杂度 𝒪(N²)，1 次前向 → 节点两两相连的全时序自注意力网格 → 答案卡片。两阶段推理：K² 帧排成 K * K 输入网格 → 第一阶段 Probe：K 次行探测和 K 次列探测（共 2K 次，每次 K 帧）经过 VLM，复杂度 𝒪(N^1.5) → 行置信度和列置信度色条，相乘（⊗）得到重要性图 M 和选出 M_eff 个格子的掩码图 σ(M) → 第二阶段 Focused：只对最重要的 M_eff 帧做一次 VLM 推理，复杂度 𝒪(M²_eff) → 答案卡片。每个方框、箭头、标签和公式都是原生形状，改配色、改文字、拆开单独用都行，适合组会汇报、开题、论文配图和海报。

文件格式

下载包含：.pptx（1 页，16.00 × 7.30 英寸；PowerPoint、Keynote、WPS、LibreOffice 都能打开；Google Slides 也能用，但复杂自由曲线可能略有偏移）、.svg、.drawio。附原尺寸预览图 preview.png，另有 1200 px 网页预览图。

形状与编辑

668 个原生可编辑形状：437 个自选图形、42 个文本框、189 个自由曲线、0 条线条/连接线（另有 22 个小编组）。不含任何嵌入图片，全部矢量。可编辑内容：全部文字和公式（K²、K * K、𝒪(N²)、𝒪(N^1.5)、𝒪(M²_eff)、M、σ(M)、M_eff）、问题与选项卡片、两条推理支路的竖条和分叉连线、渐变描边的 VLM 方框、自注意力网格的每个节点和连线、行 / 列探测条、置信度色条、重要性图和掩码图的每个格子、⊗ 节点、空心箭头、阶段徽标与面板、答案卡片，以及示意视频帧。

嵌入图片与字体

本文件不含任何嵌入图片，全部为矢量。所有视频帧（缩略图、扇形帧堆、输入网格和探测条里的小帧）都是用天空、山脊、地面色块拼的扁平矢量示意图，里面没有人物，不是论文里的视频画面；需要真实画面时直接把自己的帧盖上去即可。正文用 Calibri，公式统一用 Times New Roman（Calibri 随 Microsoft Office 安装，Times New Roman 是 Windows 和 macOS 自带；LibreOffice 会用等宽度的 Carlito 和 Liberation Serif 显示）。花体 𝒪 用 Cambria Math（随 Microsoft Office 安装），其他软件会自动换成数学字体。上下标是真正的上标 / 下标文字格式，不是公式编辑器对象。SVG 里的文字仍是可编辑文字；draw.io 文件是逐个形状转换的，个别位置可能要微调。本文件是忠实重绘，不是作者的原始源文件。