VideoMM是一种自适应宏微推理框架，针对长视频理解中的视觉令牌爆炸问题。它将视频帧先下采样生成宏观代理（Macro Proxy），在该低成本表示上进行语义过滤，选出与任务相关的区域。随后，仅对这些区域投射到高分辨率的微观令牌（Micro Tokens）进行细粒度推理。这样实现了选择与推理的解耦，既保留关键语义，又显著降低计算开销。实验在LongVideoBench上显示，VideoMM比全上下文基线快6.13倍，准确率提升7.4%，并比当前最优方法再提升2.73倍。代码已开源。
点评：VideoMM通过在粗粒度上筛选语义，再在细粒度上精细推理，提供了兼顾效率与精度的可扩展方案，为长视频理解设立了新基准。