我可能说的不准确，就是 DLSS 用到 motion vector 和 frame delta 改善了生成效果，针对这类数据进行训练可能对 LLM 理解视频有帮助，而不是完全基于抽 RGB 帧去做视频理解//@快乐肥宅庆先森:DLSS的穿模特殊在它其实是一种I2I模型，跟“大语言”不沾边，估计思路还是不太好用//@荔枝李Lychee: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