# 視頻問答

VideoChat-R1_7B 是一個基於 Qwen2.5-VL-7B-Instruct 的多模態視頻理解模型，能夠處理視頻和文本輸入，生成文本輸出。

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。

mPLUG-Owl3 是一款先進的多模態大語言模型，專注於解決長圖像序列理解的挑戰，通過超注意力機制顯著提升處理速度和序列長度。

AuroraCap是一個用於圖像和視頻字幕的多模態大語言模型，專注於高效和詳細的視頻字幕生成。

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。

Tarsier-7b 是 Tarsier 系列的開源大規模視頻語言模型，專注於生成高質量視頻描述並具備優秀的通用視頻理解能力。

CogVLM2-Video是一款高性能視頻理解模型，在多項視頻問答任務中實現最先進性能表現，能在一分鐘內完成視頻理解。

LLaVA-NeXT-Video是一個開源多模態聊天機器人，通過視頻和圖像數據混合訓練優化，具備優秀的視頻理解能力。

LLaVA-NeXT-Video是一個開源多模態聊天機器人，通過視頻和圖像數據混合訓練獲得優秀的視頻理解能力，在VideoMME基準上達到開源模型SOTA水平。

GIT是一種基於CLIP圖像標記和文本標記的雙條件Transformer解碼器，專為MSRVTT-QA任務微調。

GIT是一種基於CLIP圖像標記和文本標記的Transformer解碼器，用於視覺與語言任務。