AIbase
TW
模型選型
標籤
視頻描述生成

# 視頻描述生成

Tarsier 7b
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。
視頻生成文本 Transformers
T
omni-research
635
23
Tarsier 34b
Apache-2.0
Tarsier-34b 是一個開源的大規模視頻語言模型，專注於生成高質量的視頻描述，並在多個公開基準測試中取得領先成績。
視頻生成文本 Transformers
T
omni-research
103
17
Video Blip Flan T5 Xl Ego4d
MIT
VideoBLIP是BLIP-2的增強版本，能夠處理視頻數據，採用Flan T5-xl作為語言模型主幹。
視頻生成文本 Transformers 英語
V
kpyu
40
3
Video Blip Opt 2.7b Ego4d
MIT
VideoBLIP是BLIP-2的增強版本，能夠處理視頻數據，採用OPT-2.7b作為語言模型主幹。
視頻生成文本 Transformers 英語
V
kpyu
429
16
Git Large Vatex
MIT
GIT是一個基於CLIP圖像標記和文本標記條件化的Transformer解碼器，用於圖像和視頻描述生成、視覺問答等任務。
圖像生成文本 Transformers 支持多種語言
G
microsoft
267
1
AIbase
智啟未來，您的人工智能解決方案智庫
English简体中文繁體中文にほんご
© 2025AIbase