FOCUS 关键帧提取：长视频理解能力提升11.9%，只需采样<2% 帧

本文第一作者朱子瑞为新加坡国立大学四年级博士生，本科毕业于清华大学，研究方向为多模态大模型和后训练优化。通讯作者为 TikTok 内容智能负责人 Kanchan Sarkar、Meta杨振恒博士（相关工作完成于其在 TikTok 任职期间）以及新加坡国立大学校长青年教授尤洋老师。

文章速览

长视频会使 MLLM 的视觉 token 规模快速增长，但推理阶段的计算与上下文预算有限，难以对全量帧进行处理。

现有关键帧方案通常还需先用 CLIP/BLIP 等视觉编码器全视频逐帧预扫描，即使最终只保留少量帧，前置计算成本依然很高。

本文提出FOCUS：将关键帧选择建模为组合纯探索（CPE）多臂赌博机，以自适应的 “探索 — 利用” 策略在无需遍历全帧的前提下先锁定高价值时间段，再在段内精挑关键帧。

• 无需训练、即插即用：可直接接入现有 MLLM（如 GPT-4o 或 Qwen）的推理流程，不依赖特定模型结构与训练方式。
• 
  
• 效果更强：在>20 分钟的长视频 VQA benchmark 设定下，FOCUS 选帧相较均匀抽帧可带来11.9%的性能提升。
• 
  
• 成本更低：不依赖降采样等预过滤手段，平均只需观察 <2% 的帧即可达到上述收益，显著降低推理计算开销。

• 论文标题：FOCUS: Efficient Keyframe Selection for Long Video Understanding
• 论文链接：https://arxiv.org/abs/2510.27280
• 代码仓库：https://github.com/NUS-HPC-AI-Lab/FOCUS

背景：长视频理解为什么难？

长视频理解是多模态大模型（MLLM）中最为困难的问题之一。一段小时级、30fps 的标准视频往往包含十万量级以上的帧数。

对于主流 MLLM 而言，无论是先将视频帧编码为视觉 token、还是进一步进行跨模态交互建模，计算与上下文开销都会随帧数快速增长：“全量帧输入” 在绝大多数真实推理场景中并不现实。

因此，“挑选关键帧” 几乎是所有长视频系统的必经步骤。最常见的均匀抽帧（降采样）虽然能控成本，却容易错过集中在短片段中的决定性证据，导致模型在核心信息缺失的情况下 “盲答”。

现有关键帧方法大致分为两类：一类是training-based，训练轻量选择器从全量帧中挑子集，但面临标注困难、组合爆炸带来的训练与工程成本，以及对下游模型结构 / 训练方式的依赖；另一类是training-free的检索式方案，用 CLIP、BLIP 等编码器计算 “帧 — 文本” 相关性再选帧。

后者虽免训练，却往往需要先对全视频逐帧预编码，面对小时级视频时单视频计算开销仍可能达到约FLOPs 量级，难以部署。

因此，我们需要一种更高效的选帧方式：在不牺牲准确性的前提下，避免对全视频逐帧预扫，降低推理代价，用尽可能少的观测帧数快速定位与 query 相关的高价值片段，真正满足现实系统的效率与可用性要求。

方法：FOCUS 的两阶段探索 - 利用

基于上述动机，本文提出FOCUS，一个无需训练、可即插即用的关键帧选择算法。FOCUS 的核心思想是：将 “在预算内找到最有用的帧” 视为一个组合探索问题 ——算法不必先看完整视频再做选择，而是可以通过少量试探性采样（探索）逐步缩小候选范围，再将预算集中到最有价值的区域（利用）。

具体而言，FOCUS 将关键帧选择建模为组合纯探索（CPE）的多臂赌博机问题，并采用两阶段的 coarse-to-fine 策略：

第一阶段：定位高价值时间段（粗粒度探索）。

我们把长视频切分为若干时间段，将每个时间段视作一个 “臂”。FOCUS 在有限预算下，对不同时间段进行自适应抽样：对 “可能与 query 更相关” 的时间段分配更多采样，对明显无关的时间段快速减少采样。通过维护每个时间段的估计收益与不确定性（置信界），算法可以在不遍历全视频的情况下，把注意力收敛到少量候选高价值时间段。

第二阶段：在段内精挑关键帧（细粒度利用）。

当候选时间段被锁定后，FOCUS 在这些时间段内部进一步选择帧：同样通过 “少量试探 + 置信驱动” 的方式，把帧预算集中到最相关的画面上，输出最终关键帧集合供下游 MLLM 推理。

FOCUS 的效率优势使其可以作为一个前置模块，直接插入现有 MLLM 推理 pipeline，在不同模型、不同任务上复用。

实验：即插即用的长视频理解利器

为了验证 FOCUS 的通用性与有效性，作者在四个公开视频问答（Video QA）基准上进行了评测，并选择了四种常用的 MLLM 作为下游推理模型，包括GPT-4o、Qwen2-VL、LLaVA-OV、LLaVA-Video等。

作者进一步地将 FOCUS 与目前最有代表性的关键帧选择方法进行了对比。

结果表明：在长视频场景（例如>20 分钟的设定）下，FOCUS 相比均匀抽帧带来最高 11.9%的性能提升。同时，FOCUS 在不依赖降采样等预过滤手段的情况下，平均仅需观察<2%的帧即可达到上述收益，显著降低了关键帧选择与推理阶段的总体计算开销。

分析：高效定位视频关键信息

1. 可视化：FOCUS 能更精准地找到与 query 相关的证据片段

作者对若干典型样例进行可视化分析：在长视频中，FOCUS 通过两阶段探索快速将注意力收敛到少量高价值片段，再在片段内部挑出证据帧，使得输入给 MLLM 的帧更 “信息密集”，从而提升回答质量。

2. 效率提升：相比全帧预扫的选帧范式，FOCUS 的端到端开销更可控

FOCUS 的效率优势在于：它的选择过程本身就是省帧的，能够在探索阶段动态跳过大量无关区域，避免将计算预算花在 “无用的全量预扫” 上，相对于基线方法大大降低推理开销。

同时 FOCUS 提供了清晰的预算控制接口：当系统更关注性能时，可以适当增加探索预算；当系统更关注吞吐 / 延迟时，可以通过调整超参数收紧预算。

总结

长视频理解的核心难点在于：视觉 token 随帧数快速膨胀，均匀抽帧又容易漏掉关键证据；而现有关键帧方法存在着训练代价高、依赖模型结构的问题，或者虽免训练仍需全帧预编码，难以满足真实系统的效率要求。

FOCUS 将选帧建模为组合纯探索，通过两阶段 “探索 — 利用” 在不遍历全帧的情况下定位与 query 相关的高价值片段；平均仅观察 <2% 帧即可在长视频设定下带来最高 +11.9% 的准确率提升。它可作为即插即用的推理组件，为 MLLM 长视频应用提供更可控的成本与表现。