一、传统视频理解的技术瓶颈与成本困境 在计算机视觉领域，视频理解长期面临两大核心挑战：静态识别与动态推理的割裂，以及人工标注的高昂成本。主流视频语言模型（Video-LM）虽能准确识别画面中的物体（如“猫”“汽……
