Wir präsentieren einen einfachen Ansatz, der es ermöglicht, einen ViT-Encoder in ein effizientes Video-Modell zu verwandeln, das nahtlos sowohl mit Bild- als auch mit Videoeingaben arbeiten kann. Durch dünn gesetztes Abtasten der Eingaben ist das Modell in der Lage, sowohl das Training als auch die Inferenz von beiden Eingabetypen durchzuführen. Das Modell ist leicht skalierbar und kann auf groß angelegte vortrainierte ViTs angepasst werden, ohne dass eine vollständige Feinabstimmung erforderlich ist. Das Modell erzielt Stand-of-the-Art-Ergebnisse und der Code wird Open Source veröffentlicht.