长视频问答不再先删帧:NullTok用同位置对照查询校准证据,64帧预算下Video-MME双骨干领先
长视频问答的瓶颈在于视觉 token 太多,而先选帧再压缩 token 的流程一旦漏掉含小物体或短暂动作的帧,证据就无法找回。NullTok 改为在采样到的全部 token 上先做评估:用同一视频、同一位置的 64 个无关对照查询构造经验零分布,把目标查询的相似度换算成右尾蒙特卡洛 p 值,再经高召回语义保护、视觉去重和帧- token 联合预算分配选出稀疏输入。在冻结的 LLaVA-Video-7B 与 Qwen3-VL-8B 上,64 个整帧当量预算、无字幕无音频时,Video-MME 分别达到 65.81% 和 68.85%,两个骨干下均高于同预算的全部对比基线。