平滑转场难定位
视觉和措辞仍然连续，但预测依赖已经发生变化；只看相似度容易错过真正的主题切换。
EMNLP 2026 MAIN · FIRST AUTHOR
长视频不是更长的 caption，
而是一套可用的内容结构。
业务需要把一部长视频转成带时间边界、情节或主题完整、跨章节一致的描述，才能继续做检索、热点分析与预测。
95.36 → 116.88同 Qwen 骨干，CIDEr +21.52
Top 15%EMNLP 2026 主会评审区间
Localize + Describe同时处理边界和高层章节描述
从业务需求反推模型问题
传统 DVC 关注局部事件；真正的长视频内容底座还必须回答三个问题：什么时候进入新阶段、当前章节究竟讲什么、前文哪些设定仍然重要。
长程语境会割裂
分段生成降低成本，却会丢失前文定义、人物关系或逻辑前提。
输出必须能消费
时间边界、章节粒度和描述一致性决定了下游是否能直接检索、统计与建模。
核心方法：从表面相关转向预测支持
找边界
遮蔽前一窗口的语义单元，观察后一窗口的重建变化；依赖骤降提示平滑转场。
选上下文
移除候选历史章节，按当前描述变化量重新排序，而不是仅依赖语义相似。
准确口径
这里衡量的是预测层面的可观测影响，不宣称恢复真实世界因果结构。
Case：相似度会合并章节，依赖变化能找回真实结构
现象
坐标系、位置函数、位移、速度在表面上高度相关，长上下文模型容易把它们合成少数大段。
我们的判断
相邻内容相似，不代表它们对后续预测的支持关系相同；依赖变化提供了额外边界信号。
业务价值
更细且稳定的内容单元，才方便下游定位某一情节、概念或热点的发生区间。
一句话讲法：我不是给视频生成一段更长的摘要，而是在构建一层可被下游系统直接消费的“时间化内容 API”。