arXiv new; open video MLLM / I3D-ViT · P2 · 2026-07-18

VideoChat3：它和通用视觉自监督的关系在于：开放训练策略与数据流水线，提出 I3D-ViT 和自适应帧分辨率，适合看视频表征工程化路线

中高相关；详见方法、贡献和实验边界。

VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding　arXiv new; open video MLLM / I3D-ViT　原文链接

编号2607.14935 优先级P2 类别arXiv new; open video MLLM / I3D-ViT 会议arXiv new; open video MLLM / I3D-ViT 方法开放训练策略与数据流水线，提出 I3D-ViT 和自适应帧分辨率，适合看视频表征工程化路线来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：开放训练策略与数据流水线，提出 I3D-ViT 和自适应帧分辨率，适合看视频表征工程化路线。中高相关；详见方法、贡献和实验边界。

**Figureure 2 · VideoChat3 architecture with I3D-ViT**Figure 2 VideoChat3 architecture with I3D-ViT. VideoChat3 follows the classical ViT–MLP Projector–LLM architecture, with I3D-ViT enabling eficient video encoding before visual tokens are passed to the LLM. Specifically, spatial 2 2 merging and temporal T -frame pooling reduce the visual sequence length by approximately a factor of 4T . Under the default setting of T = 4, this yields a 16 spatiotemporal compression ratio; for clarity, the figure illustrates the mechanism with $T = 2$这张图概括 VideoChat3 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 1 · VideoChat3 achieves strong performance across diverse evaluation bench**Figure 1 VideoChat3 achieves strong performance across diverse evaluation benchmarks, including temporal perception, long video understanding, and temporal grounding, while also supporting online proactive responses.这张图/表用于判断 VideoChat3 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：开放训练策略与数据流水线，提出 I3D-ViT 和自适应帧分辨率，适合看视频表征工程化路线。

方法拆解

开放训练策略与数据流水线，提出 I3D-ViT 和自适应帧分辨率，适合看视频表征工程化路线

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。