VideoChat3：把短视频、长视频和流式理解接起来 (2026)

VideoChat3 把视频理解拆成一条完整链路：看见画面、理解长程信息，再决定何时回应。

开源范围：这是一个 4B 参数的视频多模态模型，文章介绍其数据、代码和模型权重全部开放，覆盖短视频、长视频与在线视频流理解。1
核心机制：I3D-ViT 在视觉编码阶段做原生时空建模，默认设置下约有 16 倍时空压缩；自适应帧分辨率机制则让模型在视频流中切换低、高分辨率观察，并用「Silence / Standby / Response」状态组织交互。1
文章与论文报告的结果：在 2048 帧输入设置中，VideoChat3 总延迟为 20.412 秒，Qwen3-VL 为 44.449 秒；Video-MME 得分为 70.1。这里的数字属于文章和论文报告口径，不替代独立复现。2

VideoChat3：把短视频、长视频和流式理解接起来