# Cambrian-BEV से वीडियो का विश्लेषण तेज़, कम मेमोरी में

> टोकनाइज़ेशन की नई विधि 128 वीडियो फ़्रेम को 729 स्थानिक टोकन में समेटती है। इससे LLM का प्रीफ़िल समय 2.9× और मेमोरी का इस्तेमाल 3.6× घटता है।

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

शोधकर्ताओं ने Cambrian-BEV पेश किया है। यह वीडियो के दृश्य पैच को एक साझा ‘बर्ड्स-आई-व्यू’ ग्रिड में बदलता है। यह गहराई और कैमरे की स्थिति का इस्तेमाल करके एक ही जगह के अलग-अलग समय और कोणों से मिले दृश्यों को जोड़ता है। इस विधि में मॉडल का आर्किटेक्चर वही रहता है, लेकिन फ़्रेम टोकन की जगह 27×27 BEV टोकन इस्तेमाल होते हैं। VSI-Bench परीक्षण में इसे 63.48 अंक मिले—फ़्रेम-टोकन वाले आधार मॉडल से 8.5 अंक ज़्यादा, जबकि इसमें बहुत कम टोकन लगे।

## तथ्य

- 128 फ़्रेम → 729 BEV टोकन (27×27 ग्रिड)
- प्रीफ़िल समय 2.9× घटा; अधिकतम मेमोरी 3.6× घटी

## यह क्यों मायने रखता है

इससे डेवलपर ऐसे वीडियो-आधारित AI असिस्टेंट बना सकते हैं जो तेज़ हों, कम संसाधन लें और जगह से जुड़े तर्क अधिक भरोसेमंद ढंग से कर सकें।

## स्रोत और संदर्भ

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

अंतिम अपडेट: 2026-10-19