Хочу более доступное компьютерное зрение для видео и/или эффективный инструментарий

Автор критикует современные мультимодальные LLM за обработку видео через дискретные кадры, что неэффективно по сравнению с человеческим зрением. На примере подсчёта приседаний показано, что ИИ требует внешних инструментов вместо нативного понимания. Пост призывает к разработке более дешёвых и биологически интуитивных архитектур видео-анализа.