GridProbe：基于后验探测的长视频VLMs自适应推理计算

长视频理解在VLMs中受限于对数千帧单一前向传递的二次注意力成本。常见做法是先选择小型信息丰富的帧子集，再进行前向传递；训练自由的选择器通常依赖辅助编码器空间相似性，此类信号受限于对比预训练，对推理密集型问题（如否定判断、跨帧计数、整体总结）效果不佳。我们提出GridProbe——一种高效的训练自由后验探测推理范式，通过冻结VLm自身推理的后验得分，对证据进行评分，再自适应选择与问题相关的帧，从而实现亚二次注意力成本且几乎无精度损失。我们将帧布置在$K{\times}K$网格中，运行轻量级行R与列C探针，每个探针读取其峰值后验作为查询条件置信度。R与C的外积得到可解释的重要性图，其偏度与峰度驱动形状自适应选择，此规则可可靠地用问题相关的$M_{\mathrm{eff}}$取代固定帧预算$M$。我们实证证明，$M_{\mathrm{eff}}$在无需看到答案的情况下即可跟踪问题内在难度，体现了测试时自适应计算的特征。在Video-MME-v2上，GridProbe在$3.36\times$TFLOPs降低下，仅比单一基线差$1.6$pp平均准确率；在LongVideoBench上则实现Pareto优势（$+0.9$pp、$0.35\times$计算）。由于选择器与QA模型可解耦，组合小型2B选择器与更强大的4B或8B QA模型，在平均$0.52\times$计算下显著优于2B单体基线（提升最高达$+4.0$pp），且无需再训练。重要性图的可解释性为行为诊断、 grounding及帧选择蒸馏开辟了未来方向。