# ビデオQA

VideoChat-R1_7B は Qwen2.5-VL-7B-Instruct をベースとしたマルチモーダル動画理解モデルで、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。

LLaVA-ビデオモデルはQwen2言語モデルをベースとした7Bパラメータのマルチモーダルモデルで、ビデオ理解タスクに特化しており、64フレームのビデオ入力をサポートします。

GITはCLIP画像トークンとテキストトークンのデュアル条件Transformerデコーダーを基にしており、MSRVTT-QAタスク向けにファインチューニングされています。

GITはCLIP画像トークンとテキストトークンに基づくTransformerデコーダで、視覚と言語タスクに使用されます。