# マルチモーダルビデオ理解

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。

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。

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。

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。

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。

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。

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。

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。

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。