長視頻問答（Long-video QA）是計算機視覺領域的重要挑戰，要求模型能夠在不重複處理相同視頻的情況下，隨時間保留視覺證據並回答關於事件順序、頻率和變化的問題。一個實用的解決方案是存儲視覺語言模型（VLM）內部每個視頻塊的鍵值（KV）緩存，並在查詢時檢索這些狀態。然而，獨立緩存的視頻塊無法正確組合：每個塊都是從局部旋轉位置零開始預填充的，因此樸素拼接會導致時間相位衝突，並丟失全局順序，從而無法回答關於“什麼先發生”、“事件發生頻率”或“視頻中哪些部分發生了變化”等問題。
為了克服這一侷限，Santiram Tiwari等人在其論文中提出了ChronoStitch，一種無需額外訓練的視覺KV記憶組合方法。該方法首先將存儲的後旋轉鍵重新基於一個全局三軸多模態RoPE（Rotary Position Embedding）座標系，該座標系能夠保留時間、高度和寬度結構。作者證明，簡單的一維標量重新索引對於視覺令牌在幾何上是不一致的，因為它會將幀內的空間順序轉化為虛假的時間位移。為了解決位置修復後殘留的內容差距——即後續塊在最初編碼時沒有關注前面的塊——ChronoStitch選擇性地重新計算後續塊中一小部分高偏差的視覺令牌，同時允許它們關注組合後的緩存。
實驗部分，研究團隊在Qwen2.5-VL-3B模型和TempCompass基準的時域分割上進行了評估。結果顯示，ChronoStitch在事件排序準確性上顯著優於樸素組合和僅位置變體，同時運行速度比完整聯合預填充快3.3倍。這一結果為長視頻理解提供了一種高效、無需額外訓練的解決方案，有望推動視頻問答、視頻摘要和視頻監控等應用的發展。