# マルチモーダルLLM

革新的なスローファストアーキテクチャを採用し、動画理解における時間解像度と空間的詳細のバランスを取り、従来の大規模言語モデルのシーケンス長制限を克服しました。

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

Llama-3アーキテクチャに基づくマルチモーダル言語モデルで、音声とテキスト入力の理解をネイティブにサポートし、大規模言語モデルの音声理解能力向上に焦点を当てています。

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。