# Cambrian-BEV accélère le raisonnement vidéo grâce à une vue de dessus

> Une nouvelle méthode de tokenisation condense 128 images vidéo en 729 tokens spatiaux, réduisant le temps de préremplissage des LLM de 2,9× et la mémoire utilisée de 3,6×.

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

Des chercheurs ont présenté Cambrian-BEV, une méthode qui projette les patches visuels d’une vidéo sur une grille commune en vue de dessus. Elle s’appuie sur la profondeur et la pose des caméras pour fusionner les observations d’un même lieu, quels que soient le point de vue et le moment. La méthode conserve la même architecture de modèle, mais remplace les tokens associés aux images par des tokens BEV disposés sur une grille de 27×27. Au test VSI-Bench, elle a obtenu un score de 63,48, soit 8,5 points de plus qu’une méthode de référence fondée sur des tokens d’image, tout en utilisant beaucoup moins de tokens.

## Les faits

- 128 images → 729 tokens BEV (grille de 27×27)
- Temps de préremplissage réduit de 2,9× ; mémoire maximale réduite de 3,6×

## Pourquoi c'est important

Cette méthode permet aux développeurs de créer des assistants d’IA vidéo plus rapides et moins gourmands en ressources, capables de raisonner plus fiablement dans l’espace.

## Sources et références

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

Dernière mise à jour: 2026-10-19