# 長視頻事件捕捉

FastVLM-0.5B-Stage3 是一個高效的多模態語言模型，具備視覺理解和語言處理能力，能夠處理長視頻並生成結構化輸出。

FastVLM-0.5B-Stage2是一個高效的多模態語言模型，能夠理解視覺內容並處理文本任務。

Qwen2.5-VL-32B-Instruct 是 Qwen 家族的最新視覺語言模型，具備強大的多模態理解和生成能力，支持圖像、視頻和文本的交互。

Qwen2.5-VL 是 Qwen 家族的最新視覺語言模型，具備強大的視覺理解和代理能力，支持多格式視覺定位和結構化輸出生成。