LLaVA-OneVision-2：AI不再靠截图看视频 编解码流驱动的感知智能

LLaVA-OneVision-2 是一款在 2026 年推出的顶尖多模态大模型，旨在通过模拟人类感知力提升视觉智能。该模型的核心创新在于编解码器流式分词技术，它放弃了传统的固定帧采样，转而根据视频压缩流中的位成本动态分配令牌，从而更高效地处理长视频。研究团队同步推出了 JumpScore 基准测试，专门用于评估模型在处理高频重复动作时的精细化时间定位能力。实验数据表明，该模型在视频理解、空间推理和物体追踪等任务上均显著超越了 Qwen3-VL 等同类模型。通过四个阶段的渐进式训练，它成功统一了图像理解、时间接地和三维空间推理等多项感知任务。总之，这项研究展示了原生编解码器表示法在构建下一代高效、精准视觉语言模型中的巨大潜力。