InternVideo3：通过多模态上下文推理赋予基础模型代理能力

针对现有开源工作在长时程多模态任务上的不足，本文提出 InternVideo3 框架，通过多模态上下文推理（MCR）增强代理能力。MCR 将理解视为基于共享演化上下文的闭环过程，涵盖观察、指令、推理、工具动作及记忆，把长视频理解重构为证据积累与验证。为实现高效处理，引入了保留 token 的多模态多头潜在注意力机制（M^2LA）以压缩 KV 缓存。实验表明，该模型在 Video-MME 等基准上表现优异，并展现出稳健的基于证据的代理行为。