# 動画理解

MCG-NJU/videomae-baseをファインチューニングした動画理解モデルで、評価セットでのパフォーマンスは平均的（精度50%）

InternVL3は先進的なマルチモーダル大規模言語モデルシリーズで、強力なマルチモーダル知覚と推論能力を備え、画像、動画、テキスト入力をサポートします。

InternVL3は先進的なマルチモーダル大規模言語モデルシリーズで、優れたマルチモーダル知覚と推論能力を示し、画像、動画、テキスト入力をサポートします。

MCG-NJU/videomae-baseをベースにファインチューニングした動画理解モデル、未知のデータセットで訓練、精度は11.1%

MCG-NJU/videomae-baseをベースにファインチューニングした動画理解モデルで、未知のデータセットでトレーニングされました

Qwen2.5-Omni-7Bモデルをベースとした4ビットGPTQ量子化バージョンで、多言語およびマルチモーダルタスクをサポートします。

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。

VideoLLaMA2.1-7B-AVはマルチモーダル大規模言語モデルで、視聴覚質問応答タスクに特化しており、動画と音声の入力を同時に処理し、高品質な質問応答と記述生成が可能です。

VideoMindはマルチモーダルエージェントフレームワークで、人間の思考プロセス（タスク分解、時間的定位と検証、回答合成など）を模倣することで動画推論能力を強化します。

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

TinyLLaVA-VideoはQwen2.5-3Bとsiglip-so400m-patch14-384を基に構築された動画理解モデルで、グループリサンプラーを使用して動画フレームを処理します

InternVideo2.5は、長く豊富な文脈（LRC）モデリングを強化したビデオマルチモーダル大規模言語モデル（MLLM）で、InternVL2.5上に構築されています。

LLaVA-NeXT-Video-7B-hf は動画ベースのマルチモーダルモデルで、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。

MCG - NJU/videomae - baseをベースに微調整された動画理解モデルで、手話認識タスクに特化しています。

InternVL2_5-4B-AWQ は autoawq を使用して InternVL2_5-4B を AWQ 量子化したバージョンで、多言語およびマルチモーダルタスクをサポートします。

MagmaはマルチモーダルAIエージェントの基盤モデルで、画像とテキスト入力を処理しテキスト出力を生成可能。仮想と現実環境における複雑なインタラクション能力を備えています。

軽量マルチモーダルモデルで、動画コンテンツ分析のために設計されており、動画、画像、テキスト入力を処理してテキスト出力を生成できます。

SmolVLM2-2.2Bは、動画コンテンツ分析のために設計された軽量マルチモーダルモデルで、動画、画像、テキスト入力を処理しテキスト出力を生成できます。

Fluxi AIはQwen2-VL-7B-InstructをベースにしたマルチモーダルAIアシスタントで、テキスト、画像、動画処理能力を備え、特にポルトガル語サポートを最適化しています。

Eagle2はNVIDIAが開発した高性能視覚言語モデルファミリーで、データ戦略とトレーニング手法を通じてオープンソースの視覚言語モデルの性能を向上させることに焦点を当てています。Eagle2-2Bはこのシリーズの軽量モデルで、強力な性能を維持しながら優れた効率性と速度を実現しています。

Eagle2-9BはNVIDIAが発表した最新の視覚言語モデル(VLM)で、性能と推論速度の完璧なバランスを実現しています。Qwen2.5-7B-Instruct言語モデルとSiglip+ConvNext視覚モデルを基盤として構築され、多言語・マルチモーダルタスクをサポートします。

LLaVA-Miniは効率的なマルチモーダル大規模モデルで、1つの視覚トークンだけで画像を表現することで、画像や動画理解の効率を大幅に向上させています。

xGen-MM-Vid (BLIP-3-Video) は、動画コンテンツの理解のために設計された明示的な時間エンコーダを備えた効率的なコンパクト視覚言語モデルです。

mPLUG-Owl3は、長い画像シーケンス理解の課題を解決するために設計された最先端のマルチモーダル大規模言語モデルで、単一画像、複数画像、および動画タスクの処理をサポートします。

MiniCPM-V 2.6はマルチモーダルな視覚言語モデルで、画像テキストからテキストへの変換をサポートし、多言語処理能力を備えています。

LLaVA-Next-Videoはオープンソースのマルチモーダル対話ロボットで、大規模言語モデルのファインチューニングにより訓練され、動画とテキストのマルチモーダルインタラクションをサポートします。

TimeSformerアーキテクチャに基づく動画理解モデルで、未知のデータセットで微調整され、精度は88.52%

MCG-NJU/videomae-baseモデルを未知のデータセットで微調整した動画理解モデル、精度67.13%達成

MMICLはblip2/instructblipを組み合わせたマルチモーダル視覚言語モデルで、複数の画像を分析・理解し、指示に従うことができます。

VideoMAEベースモデルを未知の動画データセットでファインチューニングした視覚モデルで、主に動画理解タスクに使用され、評価セットで85.59%の精度を達成しました。

MCG-NJU/videomae-baseを未知のデータセットでファインチューニングした動画理解モデルで、F1スコアは0.7147を達成

VideoMAEベースモデルを未知のデータセットで微調整した動画理解モデルで、評価セットで86.41%の精度を達成