长视频理解一直有个老大难问题：视频越长，Token越多，计算开销越大。传统做法是剪掉不重要的帧，保留"关键帧"。但ECCV 2026上这篇名为SemVID的论文提出了一种新思路——不保关键帧，改保"证据链"。

从"关键帧"到"证据链"

打开网易新闻 查看精彩图片

关键帧策略的问题在于：它只关注画面本身的重要性，却忽略了帧与帧之间支撑时序定位的逻辑关系。SemVID的核心创新，正是把剪枝目标从"这帧重不重要"换成"这帧是不是时间定位的证据链上的一环"。

具体做法是给每个Token分配三种语义角色：Object（物体）、Motion（运动）、Context（上下文）。通过区分这三种角色，系统能更精准地判断哪些Token对视频时序定位（VTG）任务真正有用，哪些可以安全剪掉。

训练免费，效果更稳

值得注意的一点是，SemVID是训练免费（training-free）的方法——不需要额外微调模型，直接用在现有模型上即可。论文称，相比传统关键帧保留策略，这种"证据链"保留方式在VTG任务上表现更稳定。

这项工作的价值在于：它重新定义了长视频Token剪枝的评判标准——不是看画面多"关键"，而是看信息在时序推理中是否构成完整证据。对于视频问答、事件定位等下游任务，这个思路可能比单纯追求视觉显著性更贴合实际需求。