-
达摩院开源 VideoLLaMA3：仅 7B 大小，视频理解拿下 SOTA | 在线可玩
本文介绍了达摩院开源的 VideoLLaMA3，这是一个以图像为中心构建的新一代多模态视频 - 语言模型。该模型仅有 7B 大小，在通用视频理解、时间推理和长视频理解三个核心维度评估中表现优异。同时，适用于端侧的 2B 版本在图像理解上也表现出色，在 InfoVQA 和 MathVista 等基准测试中取得领先。文章详细阐述了 VideoLLaMA3 以图像为中心的训练范式，包括视觉编码器适配、视…- 0
- 0
-
社区供稿丨 MiniCPM-V 4.5 技术报告正式出炉
面壁智能的 MiniCPM-V 4.5 是一款 8B 参数的多模态大模型，其技术报告深入探讨了解决多模态大模型训练和推理效率瓶颈的三大核心技术。首先，文章介绍了统一的 3D-Resampler 架构，通过时空联合压缩实现高达 96 倍的视频视觉 Token 压缩率，显著提升视频理解效率和性能。其次，提出面向文档的统一 OCR 和知识学习范式，通过控制文字可见度扰动，将 OCR 和知识学习融合，摆脱…- 0
- 0
-
Gemini 2.5：引领视频理解新纪元
Google 的 Gemini 2.5 Pro 和 Flash 在视频理解方面取得了显著进展。它们不仅实现了最先进的性能，还超越了 GPT 4.1 等现有模型。Gemini 2.5 是一种原生多模态模型，能够无缝集成音视频信息与代码。这为互动应用、内容创作等领域开启了新的可能性，并能有效提高学习效率和用户参与度。Gemini 2.5 Pro 可以将视频转换为互动学习应用，并使用 p5.js 从视频…- 0
- 0
视频理解
扫码打开当前页
-
✈优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×