近期，多模态大模型（MLLMs）发展迅速，但开源模型在长上下文场景（如长视频或高分辨率图像）中仍显著落后于闭源模型。部分专注于长上下文场景的开源模型在短上下文场景（如短视频或静态图像）中又表现不佳。