利用海量视频的 delta 啊、运动 vector 作为输入或许会有一些有趣的训练效果，DLSS 是利用 Transformer 去预测下一帧，这个思路或许也可以让 LLM 理解视频//@德拉贡就是龙://@摇摆时间线ZHLMI:如果只是看变化帧的话，那我就有发言权了，给 NLE 过一遍场景检测，导出图像，然后看图就行，没必要浪费 Token。或者我还有另一个思路，利用 NLE 的视觉搜索功能，导出片段摘要，直接看文件就行。这两个方案都不直接依赖 Agent。所以我还是认为，不能直接看视频时空连续性以及音频相关性的模型，依然不