# マルチモーダルビデオ理解

Tarsier 34b
Apache-2.0
Tarsier-34bは、高品質なビデオ説明の生成に特化したオープンソースの大規模ビデオ言語モデルで、複数の公開ベンチマークでリーディングスコアを達成しています。
ビデオ生成テキスト Transformers
T
omni-research
103
17
Sharegpt4video 8b
Apache-2.0
ShareGPT4Video-8Bは、オープンソースのビデオチャットボットで、オープンソースのビデオ命令データでファインチューニングされています。
テキスト生成ビデオ Transformers
S
Lin-Chen
1,973
44
Xclip Large Patch14 Kinetics 600
MIT
X-CLIPはCLIPの拡張版で、一般的なビデオと言語の理解のために、ビデオとテキストのペアで対照学習によって訓練されています。
テキスト生成ビデオ Transformers 英語
X
microsoft
124
5
Xclip Base Patch16 Kinetics 600 16 Frames
MIT
X-CLIPはCLIPの拡張版で、汎用的なビデオ言語理解に使用され、ゼロショット、少数ショット、または完全教師ありのビデオ分類やビデオ-テキスト検索などのタスクをサポートします。
テキスト生成ビデオ Transformers 英語
X
microsoft
393
2
Xclip Base Patch16 Kinetics 600
MIT
X-CLIPはCLIPの拡張版で、一般的なビデオ言語理解のために、(ビデオ、テキスト)ペアで対比学習によりトレーニングされています。
テキスト生成ビデオ Transformers 英語
X
microsoft
294
1
Xclip Large Patch14
MIT
X-CLIPはCLIPを拡張したもので、一般的なビデオと言語の理解のために、(ビデオ、テキスト)ペアで対比学習によって訓練されます。
テキスト生成ビデオ Transformers 英語
X
microsoft
1,698
11
Xclip Base Patch16 16 Frames
MIT
X-CLIPは、一般的なビデオと言語の理解のためにCLIPを極めてシンプルに拡張したもので、(ビデオ、テキスト)ペアで対照学習によってトレーニングされます。
テキスト生成ビデオ Transformers 英語
X
microsoft
1,034
0
Xclip Base Patch32 16 Frames
MIT
X-CLIPはCLIPの拡張版で、汎用的なビデオ言語理解のために設計されており、ビデオとテキストのペアで対照学習を行い、ビデオ分類やビデオ-テキスト検索などのタスクに適しています。
テキスト生成ビデオ Transformers 英語
X
microsoft
901
4
Xclip Base Patch32
MIT
X-CLIPはCLIPの拡張版で、汎用ビデオ言語理解のために(ビデオ、テキスト)ペアで対照学習を行い、ビデオ分類やビデオ-テキスト検索などのタスクに適しています。
テキスト生成ビデオ Transformers 英語
X
microsoft
309.80k
84
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase