# Cambrian-BEV用鸟瞰图Token加速视频推理

> 一种新的Token化方法可将128帧视频压缩为729个空间Token，使LLM预填充时间缩短至原来的1/2.9，内存占用降至原来的1/3.6。

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

研究人员推出了Cambrian-BEV，可将视频中的视觉图块映射到统一的鸟瞰网格中。它利用深度信息和相机姿态，合并来自不同视角或时间、但对应同一地点的观测。该方法保留原有模型架构，只将帧Token替换为27×27的BEV Token。在VSI-Bench测试中，它的得分为63.48，比使用帧Token的基准模型高8.5分，同时所用Token大幅减少。

## 事实

- 128帧 → 729个BEV Token（27×27网格）
- 预填充时间缩短2.9倍；峰值内存减少3.6倍

## 为什么重要

它能帮助开发者打造更快、更轻量的视频AI助手，并提升其空间推理能力。

## 来源与参考

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

最后更新: 2026-10-19