KV Cache Long-Context Video Understanding RoPE
摘要

长视频问答要求模型在不重复处理的情况下保留随时间变化的视觉证据。现有方法独立缓存视频片段的 KV 状态,导致全局时序错位。本文提出 ChronoStitch,一种免训练方法,通过将局部旋转位置键重映射到全局三维多模态 RoPE 坐标系,修复时空结构。针对位置修复后的内容差距,该方法选择性重计算高偏差 token 以关注组合缓存。实验表明,其在事件排序准确性上优于基准,且速度显著提升。

AI 推荐理由

论文核心提出视觉 KV 记忆的组合机制,解决长视频时序记忆存储与检索问题。

研究机构
KGraph AI Solutions Pvt. Ltd., Bangalore, India - 560016
论文信息
作者 Santiram Tiwari, Nishant Sinha, Kunal Kislay
发布日期 2026-07-21
arXiv ID 2607.19547
相关性评分 9/10 (高度相关)