AIbase
TW
模型選型
標籤
超長視頻理解

# 超長視頻理解

Videochat Flash Qwen2 5 7B 1M Res224
Apache-2.0
VideoChat-Flash是基於UMT-L和Qwen2.5-7B-1M構建的多模態模型，支持長視頻理解，上下文窗口擴展至1M。
視頻生成文本 Transformers 英語
V
OpenGVLab
64
1
Videochat Flash Qwen2 5 7B InternVideo2 1B
Apache-2.0
基於InternVideo2-1B和Qwen2.5-7B構建的多模態視頻文本模型，每幀僅使用16個標記，支持長達10,000幀的輸入序列。
文本生成視頻 Transformers 英語
V
OpenGVLab
193
4
Videochat Flash Qwen2 7B Res448
Apache-2.0
VideoChat-Flash-7B是基於UMT-L (300M)和Qwen2-7B構建的多模態模型，每幀僅使用16個標記，支持輸入序列長達約10,000幀。
視頻生成文本 Transformers 英語
V
OpenGVLab
661
12
Videochat Flash Qwen2 7B Res224
Apache-2.0
基於UMT-L和Qwen2-7B構建的多模態模型，支持長視頻理解，每幀僅使用16個標記，上下文窗口擴展至128k。
視頻生成文本 Transformers 英語
V
OpenGVLab
80
6
Videochat Flash Qwen2 5 2B Res448
Apache-2.0
VideoChat-Flash-2B是基於UMT-L（300M）和Qwen2.5-1.5B構建的多模態模型，支持視頻文本轉文本任務，僅使用每幀16個標記，並擴展上下文窗口至128k。
視頻生成文本 Transformers 英語
V
OpenGVLab
904
18
Llama Vid 7b Full 224 Video Fps 1
LLaMA-VID是基於LLaMA/Vicuna微調的開源多模態聊天機器人，通過擴展上下文令牌支持長達數小時的視頻處理能力。
文本生成視頻 Transformers
L
YanweiLi
86
9
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