# Cambrian-BEV ускоряет анализ видео с помощью токенов вида сверху

> Новый метод токенизации сжимает 128 кадров до 729 пространственных токенов, сокращая время предварительной обработки LLM в 2,9 раза, а расход памяти — в 3,6 раза.

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

Исследователи представили Cambrian-BEV — метод, который объединяет визуальные фрагменты из видео на общей сетке с видом сверху. Для этого он использует данные о глубине и положении камеры, сводя воедино наблюдения одного и того же места независимо от ракурса и времени. Архитектура модели остаётся прежней, но вместо токенов кадров используются токены BEV размером 27×27. В тесте VSI-Bench метод набрал 63.48 — на 8.5 балла больше, чем базовая модель с токенами кадров, при этом используя гораздо меньше токенов.

## Факты

- 128 кадров → 729 токенов BEV (сетка 27×27)
- Время предварительной обработки сокращено в 2,9 раза; пиковый расход памяти — в 3,6 раза

## Почему это важно

Это позволит разработчикам создавать более быстрых и лёгких ИИ-помощников, работающих с видео и надёжнее рассуждающих о пространстве.

## Источники и ссылки

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

Обновлено: 2026-10-19