# 長尺動画処理

VideoMindはマルチモーダルエージェントフレームワークで、人間のような認知プロセスを模倣することでビデオ推論能力を強化します。

スローファストアーキテクチャを採用した動画マルチモーダル大規模言語モデルで、時間解像度と空間詳細のバランスを取り、64フレームの動画理解をサポート

VideoChat-OnlineはPhi-3-vision-128k-instructを基にしたオンライン動画理解モデルで、動画テキストからテキストへの変換タスクに特化しています。

LLaVA-NeXT-Video-7B-hf は動画ベースのマルチモーダルモデルで、動画とテキスト入力を処理し、テキスト出力を生成できます。

VideoLLM-onlineはLlama-3-8B-Instructをベースとしたマルチモーダル大規模言語モデルで、オンライン動画理解と動画-テキスト生成タスクに特化しています。