VideoMM：高效视频多模态模型的自适应宏微观推理

长视频理解中的视觉token爆炸会挤满上下文窗口并带来高成本，限制多模态大模型扩展。当前方法多靠辅助模型缩减token，却两难：轻量编码器易忽视关键语义，重型多模态模型缩减又抵消效率收益。我们发现更根本的低效：细粒度视觉细节对详细理解必要，对初步选择语义相关区域却大量冗余。因此提出VideoMM，从以模型为中心的缩小转向自适应感知粒度。框架解耦选择和推理，在由降采样帧得到的低成本宏观代理上语义过滤，仅必要时把选中区域投影到高保真微观token以详细理解。广泛评估显示明显优于现有方案：在LongVideoBench上相较全上下文基线加速6.13倍，准确率提高7.4%，并比当前领先方法再加速2.73倍，为长视频理解提供可扩展范式。代码见原摘要链接。