# 長視頻處理

VideoMind是一個多模態智能體框架，通過模擬類人的認知過程來增強視頻推理能力。

採用慢-快架構的視頻多模態大語言模型，平衡時間分辨率和空間細節，支持64幀視頻理解

VideoChat-Online是一個基於Phi-3-vision-128k-instruct的在線視頻理解模型，專注於視頻文本轉文本任務。

LLaVA-NeXT-Video-7B-hf 是一個基於視頻的多模態模型，能夠處理視頻和文本輸入，生成文本輸出。

VideoLLM-online是一個基於Llama-3-8B-Instruct的多模態大語言模型，專注於在線視頻理解和視頻-文本生成任務。