视频大模型架构图（可编辑 PPT）

概览

这张可编辑的 PowerPoint 架构图展示了一个视频大模型：它在共享的视频前缀上为候选答案打分，并完成时序定位和选项选择。图稿依据 CC BY 4.0 许可，改编自论文原图。

图中内容

全图分为三个面板。第一个面板展示统一的时序候选与文本候选；第二个面板对比在共享视频前缀上的缓存式（Cached）与联合式（Joint）推理，两者共用同一个打分器；第三个面板展示时序定位和选项选择的输出。面板、方框、箭头、文字、柱状图和时间轴几乎全部是原生形状，可以直接改成适合你自己幻灯片、海报或论文的样式。

文件格式

下载文件为单页 .pptx，尺寸 13.55 × 7.53 英寸，可在 PowerPoint、Keynote、WPS 和 LibreOffice Impress 中打开。Google 幻灯片也能打开，但版式可能会有细微偏移。另附全分辨率的 preview.png 和一张 1200 px 宽的网页预览图。

形状与编辑

文件共含 321 个元素，其中 295 个是原生可编辑形状（158 个自选图形、94 个文本框、35 条线条或连接符、8 条自由曲线），另有 26 张小尺寸的嵌入位图。所有文字、颜色和描边都能修改，候选框、token 方块、概率柱状图、Pred./GT 时间轴和选项得分条也都可以编辑。

嵌入图片与字体

6 张视频帧（面板 a 中的华夫饼示例）和 20 个小图标（视频编码器、剪贴板、秒表、眼睛、芯片、Q/K 投影标记等）是嵌入的 PNG 图片。它们可以移动、缩放、裁剪或删除，但不能像矢量形状那样改色或变形。文字使用 “Arsenal” 和 “Liberation Serif” 字体；如果缺少这两款字体，软件会用相近的字体替代，个别标签可能需要微调。这是为方便复用而忠实重绘的版本，并非论文作者的原始源文件。