Thread de Yangyi (@Yangyixxxx)

HN 上关于 Qwen3‑VL 的讨论很有意思： - 长视频理解：在 2h 视频里插“needle frame”，让模型去定位 + QA，大家对这种 benchmark 本身也有不少质疑（更像检测异常帧而不是真实事件）。 - 实战方案：用 CLIP / Morphik 做视频向量检索，能实现“running horse → 跳到 4:42 那一帧”的那种搜索体验； - UI 自动化场景下，要从截图中拿到可靠的点击坐标，往往要结合：VLM 语义理解 + OCR 框坐标 + 关键点检测，单靠大模型“猜像素”很不稳。 模型选择：大家用 Qwen3‑VL 做视频理解给的评价普遍不错，尤其是在 Gemini/Claude/OpenAI 之外的比较； 但像 PDF 结构化抽取这类任务，反而会翻车——多模态 LLM 的“偏科”非常明显。 如果今天要做“海量视频资产自动打标签 + 语义检索”，技术基本已经够用；难点在于：成本、稳定性，以及你到底敢不敢把这玩意儿接到摄像头上。 和“老大哥式监控”的距离其实已经不远，只是我们愿不愿意承认。 AI 视频理解可能还很早期，但它对现实世界的影响，其实已经不早了。 https://t.co/DDSETxIFKn