精选理由
做视频理解或多模态模型优化的团队，终于有了一个能大幅降低计算开销而不牺牲性能的方案——AdaCodec用预测式编码直击视频冗余痛点，建议做视频MLLM的开发者直接看论文复现。
视频相邻帧通常高度冗余，但现有视频多模态大模型仍将每帧独立编码为RGB图像，导致大量重复视觉token。AdaCodec提出一种预测式视觉编码接口：仅当场景无法从先前上下文预测时才发送完整参考帧，否则仅传输帧间变化（包括运动和预测残差）作为紧凑的P-token。在11个基准测试中，AdaCodec在相同token预算下优于Qwen3-VL-8B逐帧RGB基线；在长视频基准上，仅用1/7预算（32k token）即超越224k基线，并在通用视频基准上提升平均分数，同时将首token延迟从9.26秒降至1.62秒。
AI 翻译 · 中文
视频相邻帧通常高度冗余，但现有视频多模态大模型仍将每帧独立编码为RGB图像，导致大量重复视觉token。AdaCodec提出一种预测式视觉编码接口：仅当场景无法从先前上下文预测时才发送完整参考帧，否则仅传输帧间变化（包括运动和预测残差）作为紧凑的P-token。在11个基准测试中，AdaCodec在相同token预算下优于Qwen3-VL-8B逐帧RGB基线；在长视频基准上，仅用1/7预算（32k token）即超越224k基线，并在通用视频基准上提升平均分数，同时将首token延迟从9.26秒降至1.62秒。
Video is temporally redundant: adjacent frames usually share most objects, background, and layout. Yet existing video multimodal large language models (video MLLMs) usually encode each sampled frame as an independent RGB…