AdaFocus：高效长视频理解的自适应相关性-多样性采样与零缓存回看

长视频理解严重受限于僵化的单次范式：现有方法要么稀疏地编码视频，造成高昂的内存和延迟成本，要么激进地压缩为稀疏帧集， irreversibly 丢弃下游推理所需的细粒度证据。Consequently，当前模型难以同时在时序覆盖性、视觉细节和计算效率之间取得平衡。我们提出 AdaFocus，一个高效框架，将长视频理解重新思考为渐进式证据获取而非一次性编码。AdaFocus 依赖两个紧密耦合的组件。首先，Query-Aware Adaptive Relevance-Diversity sampler（AdaRD）产生一个紧凑且信息丰富的视频预览，当查询缺乏可靠的局部 grounding 时，自动切换为全局聚类。其次，与缓存内存中完整帧序列不同，AdaFocus 引入不确定性触发的细化机制。当模型置信度不足时，执行有针对性的回看，从磁盘直接检索高分辨率证据，采用零缓存 I/O 设计。这将被不可逆丢弃的视觉细节转化为按需可恢复的证据，而无需为 exhaustive 预加载付出代价。在七个标准长视频基准测试上，AdaFocus 显示出显著优于强基准的效率-精度权衡。与常规稠密编码相比，AdaFocus 在提升任务性能（例如在 VideoMME 上提升 +2.59% 准确率，在 Charades-STA 上提升 +8.39% mIoU）的同时，将视觉 token 消耗降低约 33 倍，并通过零缓存磁盘检索设计消除了内存中帧预缓存的需求。这些发现表明，渐进式预览结合零缓存证据细化是可扩展多媒体推理的高效范式。