# Cambrian-BEV beschleunigt Videoanalyse mit Vogelperspektiv-Tokens

> Eine neue Tokenisierungsmethode komprimiert 128 Videobilder auf 729 räumliche Tokens. Dadurch sinken die Prefill-Zeit für das LLM um das 2,9-Fache und der Speicherbedarf um das 3,6-Fache.

Oossa · 2026-10-19 · https://oossa.com/de/cambrian-bev-speeds-up-video-reasoning-with-bird-s-eye-view-tokens

Forschende haben Cambrian-BEV vorgestellt. Das Verfahren überträgt visuelle Bildausschnitte aus Videos in ein gemeinsames Raster aus der Vogelperspektive. Mithilfe von Tiefeninformationen und Kamerapositionen führt es Beobachtungen desselben Ortes zusammen – unabhängig von Blickwinkel oder Zeitpunkt. Die Modellarchitektur bleibt unverändert, aber statt Bild-Token kommen BEV-Tokens in einem Raster von 27 × 27 zum Einsatz. Im Test VSI-Bench erreichte das Verfahren 63,48 Punkte und lag damit 8,5 Punkte über einer Vergleichsmethode mit Bild-Tokens – bei deutlich weniger Tokens.

## Die Fakten

- 128 Bilder → 729 BEV-Tokens (Raster mit 27 × 27 Feldern)
- Prefill-Zeit um das 2,9-Fache reduziert; Spitzen-Speicherbedarf um das 3,6-Fache reduziert

## Warum es wichtig ist

So können Entwickler schnellere und ressourcenschonendere Video-KI-Assistenten bauen, die räumliche Zusammenhänge zuverlässiger erfassen.

## Quellen und Referenzen

1. [Thinking from Above: Efficient Spatial Reasoning with Bird's-Eye-View Visual Tokens](https://arxiv.org/abs/2610.22700) – arXiv cs.CV, 2026-10-19

Zuletzt aktualisiert: 2026-10-19