# 長視頻理解

Qwen2.5-VL是Qwen家族最新推出的視覺語言模型，具備強大的視覺理解和多模態處理能力，支持圖像、視頻分析和結構化輸出。

docscopeOCR-7B-050425-exp 是基於 Qwen/Qwen2.5-VL-7B-Instruct 微調的模型，專注於文檔級 OCR、長上下文視覺語言理解和數學 LaTeX 格式的精確圖像到文本轉換。

LLaVAction是一個用於動作識別的多模態大語言模型，基於Qwen2語言模型，在EPIC-KITCHENS-100-MQA數據集上訓練而成。

Vamba是一種混合Mamba-Transformer架構，通過交叉注意力層與Mamba-2模塊實現高效的長視頻理解。

Qwen2.5-VL是Qwen家族的最新視覺語言模型，具備增強的視覺理解、智能體功能和長視頻處理能力。

基於長且豐富的上下文（LRC）建模增強的視頻多模態大語言模型，通過提升感知細粒度細節和捕捉長時態結構的能力改進現有MLLM

InternVideo2.5是一款基於長且豐富上下文(LRC)建模增強的視頻多模態大語言模型，構建於InternVL2.5之上，通過提升感知細粒度細節和捕捉長時序結構的能力，顯著改進了現有MLLM模型。

LLaVA-Video-7B-Qwen2-TPO是基於LLaVA-Video-7B-Qwen2進行時間偏好優化的視頻理解模型，在多個基準測試中表現優異。

LongVA-7B-TPO是基於LongVA-7B通過時序偏好優化而來的視頻-文本模型，在長視頻理解任務中表現優異。

Apollo是一系列專注於視頻理解的大型多模態模型，擅長處理長達一小時的視頻內容，支持複雜視頻問答和多輪對話。

Apollo 是一系列專注於視頻理解的大型多模態模型，擅長處理長視頻內容理解、時序推理和複雜視頻問答等任務。

LongVU 是一種面向長視頻語言理解的時空自適應壓縮技術，旨在高效處理長視頻內容，提升語言理解能力。

Oryx-1.5-7B是基於Qwen2.5語言模型開發的7B參數模型，支持32K tokens上下文窗口，專注於高效處理任意空間尺寸和時長的視覺輸入。

LongVU是一種面向長視頻語言理解的時空自適應壓縮技術，旨在高效處理長視頻內容。

LongVU是基於Qwen2-7B的多模態模型，專注於長視頻語言理解任務，採用時空自適應壓縮技術。

LLaVA-視頻模型是基於Qwen2語言模型的7B參數多模態模型，專注於視頻理解任務，支持64幀視頻輸入。

袋鼠是一個專為長視頻理解設計的強大多模態大語言模型，支持中英雙語對話和長視頻輸入。

TimeSformer是一個基於空間-時間注意力機制的視頻分類模型，專門用於視頻理解任務。

TimeSformer是基於空間-時間注意力機制的視頻分類模型，在Kinetics-600數據集上進行了微調。