先构建图！通过场景图实现长篇幅第一人称视频的推理

现有具身多模态大语言模型受限于输入令牌长度，难以处理长视频序列，常因大量帧采样导致时空信息丢失，阻碍细粒度推理。本文提出一种基于第一人称场景图（EgoSGs）的视频问答框架，将视频转化为紧凑的文本化结构化表示，捕捉物体、属性及交互的时序变化。该方法在大幅减少输入长度的同时保留关键语义，使模型能在令牌预算内高效推理整个视频序列，在 HD-EPIC 数据集上取得了最先进成果。