Long Context Tuning（多镜头）

数据来源与规模

ByteDance Seed 与港中文于 2025-03 发布（arXiv 2503.10589）。使用公开来源的场景级视频（电影、纪录片等），做场景边界检测和镜头切分，得到约 50 万场景样本（平均 5 镜头）；另有约 100 万由长单镜头按事件切分得到的 "伪多镜头" 样本 [1]。

标注方式

Gemini-1.5 生成全局描述与分镜描述，角色以 ID 引用，用 [SHOT CUT] 标记切镜 [1]。

训练配方

多镜头数据与单镜头预训练数据按 1:1 混合做长上下文微调。后续 MoC（ICLR 2026）在其上改用稀疏注意力路由，剪掉 85%+ token 对，约 18 万 token 的分钟级场景提速 2.2 倍，属架构而非新数据 [2]。

争议

"公开来源" 的影视素材授权未说明；与 HoloCine（多镜头） 相同，属高版权风险品类。

来源

1. https://arxiv.org/html/2503.10589v1 (2026-10-15)
2. https://arxiv.org/pdf/2508.21058 (2026-10-15)