LongVU-TTT：长视频理解中视觉重采样的因果测试时间训练

长视频 MLLM 必须在有限的视觉 词元预算 删除大多数帧证据之前对时间变化进行建模。我们引入了 LongVU-TTT，它在视觉编码器和 LLM 之间插入了一个具有因果快速权重更新的卷积测试时间训练 (TTT) 重采样器。其分组的 2D 快速权重适应每个视频，并在压缩前将帧特征置于上下文中，而混合统一和变化感知选择器则为下游推理保留明确的视觉证据。在受控条件下，TTT-Conv 在 MLVU 上比 TTT-MLP 提高了高达 +2.12，在双向 Mamba2 上提高了高达 +3.04，并且在三个基准测试中，它比注意力和固定状态循环重采样器更强。分析表明，快速权重表现为时间聚合状态，而不是可靠的长视野情景记忆：随着证据变得更远，它们的好处会减弱，从而激发显式的帧保留。 LongVU-TTT 可处理多达 512 帧，然后将其减少至 128 LLM 帧，并在五个视频理解基准测试中实现具有竞争力的性能。