본 논문은 비전 대규모 언어 모델(VLLM)을 이용한 장시간 영상 이해의 어려움을 해결하기 위해, 텍스트 조건부 적응적 프레임 선택 모듈과 시간적 프레임 토큰 병합 기법, 공간적 토큰 샘플링 모듈 및 병합 전략을 활용한 Balanced-VLLM (B-VLLM) 프레임워크를 제시합니다. 기존 VLLM들이 영상 다운샘플링 또는 각 프레임의 시각 토큰 수 감소로 인해 시간적 또는 공간적 정보 손실이 발생하는 문제점을 해결하고자, 과제 관련 시공간적 단서를 효과적으로 활용하면서 VLLM의 컨텍스트 창 길이 내에서 시각 토큰 수를 제한하는 방법을 제안합니다. 실험 결과, B-VLLM이 다양한 영상 이해 벤치마크에서 우수한 성능을 보임을 확인했습니다.