单次字幕与按需取帧：面向长视频理解的视觉需求路由框架 CFD

边缘设备上的长视频理解必须在严苛的计算与带宽预算下，对长达数小时的内容进行推理。对视觉词元进行子采样会破坏时间结构，而纯文本的视频记忆又会丢失细粒度的视觉属性。我们观察到一种视觉-文本对偶性：语言记忆比密集帧更能有效地承载长程时间结构，而像素对于属性级别的感知则始终起着决定性作用。基于这一洞察，我们提出了预算感知的边云智能体框架 CFD（Caption-once, Frames-onDemand）。

边缘端仅需进行一次离线描述生成，即可构建包含事件级故事骨架与片段级微日志的双轨叙事索引；该索引经缓存后可在多次查询间复用，无需重新生成描述。在查询时，云端 MLLM 以轻量级“视觉需求路由器”（Visual-Need Router）为核心，在故事优先的循环中对索引进行推理：该门控模块针对每次查询进行判断，仅在遇到感知类问题（外观、屏幕文本、属性消歧）时触发有界限的关键帧检索，而将时间结构类问题保留在语言空间中处理。该路由器将视觉访问转化为受查询调节的一等开销，无论视频时长如何，都能对单次查询的帧消耗设定上限。在长视频基准测试上的实验表明，该方法在显著减少在线视觉处理的同时，实现了优异的准确率与效率权衡。