arXiv new; training-free long-video frame selection · P2 · 2026-07-21

Efficient Frame Selection for Long：它和通用视觉自监督的关系在于：直接利用 MLLM 中间层 cross-modal attention 做 query-relevant frame evidence，不经生成即可压缩长视频 token

中高相关；详见方法、贡献和实验边界。

Efficient Frame Selection for Long Videos at Test Time with Attention-Based MLLM Selectors　arXiv new; training-free long-video frame selection　原文链接

编号2607.15689 优先级P2 类别arXiv new; training-free long-video frame selection 会议arXiv new; training-free long-video frame selection 方法直接利用 MLLM 中间层 cross-modal attention 做 query-relevant frame evidence，不经生成即可压缩长视频 token 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：直接利用 MLLM 中间层 cross-modal attention 做 query-relevant frame evidence，不经生成即可压缩长视频 token。中高相关；详见方法、贡献和实验边界。

**Figureure 2 · : Comparison of text-guided frame selection paradigms for long video u**Figure 2: Comparison of text-guided frame selection paradigms for long video understanding. CLIP-based methods score frames independently with weak query conditioning. MLLM-based autoregressive selectors achieve strong query conditioning but require additional training. Our method extracts cross-modal attention from a small MLLM in a single forward pass for training-free, query-conditioned selection.这张图/表用于判断 Efficient Frame Selection for Long 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。

**Figureure 1 · : Performance–efficiency overview**Figure 1: Performance–efficiency overview. Our selector improves long-video understanding while keeping the selection stage lightweight, illustrating the accuracy–cost trade-off targeted by this work.这张图概括 Efficient Frame Selection for Long 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。

核心问题

它和通用视觉自监督的关系在于：直接利用 MLLM 中间层 cross-modal attention 做 query-relevant frame evidence，不经生成即可压缩长视频 token。

方法拆解

直接利用 MLLM 中间层 cross-modal attention 做 query-relevant frame evidence，不经生成即可压缩长视频 token

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。