南京大学 MCG 团队（S-Lab）近日开源 VideoChat3——4B 参数全开放视频 MLLM，登顶 Hugging Face 趋势榜前 3，主打「一个模型搞定所有视频理解」：细粒度运动感知、小时级长视频、时序 grounding、流式响应四能力合一。 两个核心创新： - **I3D-ViT**：时空 token 做 16× 压缩，显著降低视觉编码成本。 - **Adaptive Frame Resolution for Streaming**：按需提升帧分辨率，避免每帧高分辨率计算。 团队同步开源三套数据集——Academic2M（通用）、LV116K（长视频）、OL617K（流式），覆盖训练全链路。VideoChat3 把模型权重、数据、合成 pipeline 一次性 deliver——这在视频 MLLM 圈相当罕见，多数强模型只放权重、不放数据。 实验显示 VideoChat3 在通用、长视频、流式三类基准上均超过参数规模更大的开源对手。统一架构 + 自适应帧率 + 紧凑 token 表示，把四种能力塞进 4B——正是视频 MLLM 走向工程化的关键一步。