# ビデオ理解

V-JEPA 2はMetaのFAIRチームが開発した最先端のビデオ理解モデルで、VJEPAの事前学習目標を拡張し、業界をリードするビデオ理解能力を備えています。

InternVL3-2BはHugging Face Transformersライブラリに基づいて実装されたマルチモーダル大規模言語モデルで、画像、ビデオ、テキスト処理などのマルチモーダルタスクで優れた性能を発揮し、さまざまな入力方式と効率的なバッチ推論をサポートします。

InternLM-XComposer2.5-ChatはInternLM-XComposer2.5-7Bでトレーニングされた対話モデルで、マルチモーダル命令追従とオープンエンド対話能力が大幅に向上しています。

xGen-MM-Vid (BLIP-3-Video) は、ビデオ内容を理解するために特別に設計された、明示的な時間エンコーダーを備えた高効率でコンパクトなビジュアル言語モデルです。

LLaVA-Next-Videoはオープンソースのマルチモーダルダイアログモデルで、大規模言語モデルをマルチモーダル指示追従データで微調整しており、ビデオとテキストのマルチモーダルインタラクションをサポートします。

ViViTはビジョントランスフォーマー(ViT)をビデオ処理向けに拡張したもので、主にビデオ分類などの下流タスクに使用されます。