1. 《Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context》

• 来源： Google DeepMind
• 核心点： 介绍了如何将视频、音频和文本统一在一个混合专家模型（MoE）架构下。
• 技术解密： 它不再是将视频音频转成文字后再理解，而是将音频信号直接切碎成“音频 Token”，与视频帧

2. 《Audio-Visual LLM for Video Understanding》 (ICCV 2025)

• 来源： 学术界最新研究
• 核心点： 专门讨论了“全方位视频理解”。
• 技术解密： 论文提出了一种模态增强技术，利用特定 Token 触发视觉或听觉编码器。它强调了视觉和听觉的“互补性”——比如画面里只有手指滑动，但音频里有“咔哒”一声，模型能通过音频补全视觉上的逻辑。

3. 《UniAVLM: Unified Large Audio-Visual Language Models》 (PRICAI 2025)

• 来源： IBM Research
• 核心点： 解决音频和视频流“割裂”的问题。
• 技术解密： 之前的模型可能是“看一遍视频，听一遍音频”，而这篇论文研究的是如何让模型像人类一样**实时同步（Temporal Alignment）**视听信号，从而在对话中实现极高的准确度。