# 長編動画理解

Qwen2.5-VLはQwenファミリー最新のビジュアル言語モデルで、強力な視覚理解とマルチモーダル処理能力を備え、画像・動画分析と構造化出力をサポートします。

LLaVActionは動作認識のためのマルチモーダル大規模言語モデルで、Qwen2言語モデルを基に、EPIC-KITCHENS-100-MQAデータセットでトレーニングされています。

Apolloは1時間に及ぶ長編動画の理解に特化した一連の大型マルチモーダルモデルで、複雑な動画質問応答やマルチターン対話を得意としています。

LongVUはQwen2-7Bをベースとしたマルチモーダルモデルで、長編動画の言語理解タスクに特化し、時空間適応圧縮技術を採用しています。

カンガルーは長編動画理解のために設計された強力なマルチモーダル大規模言語モデルで、中国語と英語のバイリンガル対話と長編動画入力に対応しています。