FORTE：自适应评分与精确关键帧选择用于长视频问答

FORTE 是一种无需训练的长视频关键帧选择框架，通过自适应相关性评分与全局关键帧优化两阶段提升多模态大语言模型的长视频问答表现。核心机制利用高斯过程预测器将计算复杂度从立方降至线性，并在有限评分预算下平衡预测相关性与时间覆盖。实验在四个长视频问答基准上达到当前最高平均准确率，且在不同相关性评分器与下游模型上均保持一致有效性。