以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Multimodal large language models (MLLMs) can now process hour-long videos, making extended multi-turn dialogue over a single video a natural mode of use. Sustaining such a dialogue requires more than answering each question in isolation: the model must retrieve and reuse information established earlier in the conversat
阅读原文 · Zhengdong Hu, Chao Wang, Kaituo Feng, Huanjin Yao, Mingfei Lu, Hehe Fan, Yi Yang
向阳乔木 · opencode-go/deepseek-v4.1-flash
多模态模型现在能吞下一小时长的视频，围着一支视频聊上几十轮也成了自然用法。但能看长视频，不等于能记住对话里说过什么。 VideoMemBench 测的就是这件事： 在一段视频对话里，模型能不能把前面看过、说过的信息捡回来接着用 。摘要给的数字很直接，20 多个开源和闭源模型里表现最好的 Claude Opus 5，总分只有 45.7%。 这个分数值得停下来看...