claude-real-video（crv）：被hacknews首页推荐过，让 Claude/任意 LLM 真正"看"视频，不按固定 1fps 采样，而是场景切换检测 + 滑动窗口去重——10 分钟静态幻灯片收成 1 帧、快切 reel 一帧不漏，更省 token 还更准，看(帧)+读(字幕/Whisper/说话人分离)+听(原声)三件事都给。 之前介绍的claude-video也是干类似的事情， claude-real-video与claude-video的核心逻辑一模一样：场景抽帧 + 去重 + 转写，本地跑完，把"该看的那几帧 + 文字"交给 LLM，这样就大大的省下了token。
真正的技术分水岭，是"怎么抽帧"：
Gemini 那类固定采样有两个死穴：静态内容过采样、快切内容欠采样。一个 10 分钟的静态幻灯片，固定 1fps 会吐出约 600 张几乎一样的帧，白烧 token；一个快切 reel，帧与帧之间的镜头它根本没采到。
这两个项目都换成了场景切换检测——只在画面真的变了的时候抽帧，再把近乎重复的帧扔掉：
1、claude-video：16×16 灰度缩略图算平均像素差、跟"上一张保留帧"比，抓慢速渐变；
2、claude-real-video：降采样 RGB 真实像素差（不用感知哈希，因为哈希在纯色和等亮度换色上会瞎）+ 滑动窗口去重，A-B-A 来回切的镜头只喂模型一次。
结果都是同一句话：更少、更有意义的帧 = 更省 token、理解还更准。 crv 官方给的例子——58 秒片子，固定 1fps 是 58 帧，它只留 26 张真正不同的，这有点像文本模型的渐进式披露的内涵。
为什么值得单独说这件事？
因为它揭示了一个更大的规律：当一个能力（多模态）看似已经"内置"在大模型里，真实工程里往往还需要一层"喂对东西"的中间件。 模型能读图，不等于你该把 600 张重复帧全塞给它。这层"帧预算工程"，类似于渐进式披露工程——挑哪几帧、怎么去重、要不要连原声——正在从"各家 demo 脚本"沉淀成"装进 agent 的标准件"（两个项目都能一条命令进 Claude Code / Cursor / Codex）。
同一个轮子被两拨人独立造出来、还都造成了热榜项目——这不是重复劳动，是市场在同一个缺口上盖章。下一个被这样"补中间件"的模态，大概率是长音频和实时屏幕。
#clauderealvideo#AI视频#视频理解#ClaudeCode#开源#多模态