VideoRAG推荐

把长视频按 30 秒切开，每段抽 5 帧交给视觉模型生成描述、音轨转成文字，再把这些文字抽成跨视频的知识图谱，同时用 ImageBind 给每段画面编码；提问时文字索引、图谱、画面向量三路检索，命中的片段重抽 15 帧再看一遍。论文标 KDD 2026，3400 星。注意：桌面版还没发布（releases 为空），只能源码跑；描述和转写走阿里云 DashScope，理解走 OpenAI 兼容接口，两个 key 必填；算法版单张 24G 显卡可在本地跑，但官方注明只测过英文。