视频理解模型选型：时序建模和推理成本的权衡

视频理解从「抽帧 + 图像模型」进化到了原生视频模型，选型考虑：

1. 抽帧方案：成本低，实现简单，但对快速动作和精细时序关系建模不足；
2. 原生视频模型：时序建模好，但显存和算力消耗大，长视频尤其吃力；
3. 混合：关键片段用原生模型，整体用抽帧粗筛，是当前性价比方案；
4. 分辨率：视频理解降分辨率会明显影响小目标识别。

实际部署：视频理解的成本主要花在 token 数量上，帧率和分辨率是两个调节旋钮，要按场景调。

踩过的坑：以为帧率越高越好，实际 5fps 和 15fps 在很多场景效果差异不大，但成本差 3 倍。

大家视频理解怎么部署？

上下文压缩要注意别丢关键约束。我们做摘要时会把「硬约束」（如输出格式、禁止事项）单独保留不参与摘要，否则多轮后约束会被稀释掉。

还有一点：工具返回的原始数据建议落盘并给 Agent 一个引用，需要时再读。这样上下文里只留摘要，细节可追溯，是成本和质量的最佳折中。