本文总结了视觉LLM从图像到长视频的进展。基于对图像理解、短视频理解和长视频理解任务差异的分析，我们识别了长视频学习的关键挑战。这些挑战包括捕捉动态序列事件中的更细粒度时空细节和长期依赖关系，同时压缩视觉信息，涉及场景转换和内容变化。接着，我们介绍了从图像LLM到长视频LLM的模型架构和模型训练的进展，旨在改善长视频理解和推理。随后，回顾了多种不同长度的视频基准测试，并比较了各种方法在视频理解上的表现。这一比较为长视频理解的未来研究方向提供了洞见。本论文首次聚焦于长视频LLM的发展与改进，以实现更好的长视频理解。我们希望我们的工作能够推动长视频理解和推理的进步。