# 长视频事件捕捉

FastVLM-0.5B-Stage3 是一个高效的多模态语言模型，具备视觉理解和语言处理能力，能够处理长视频并生成结构化输出。

FastVLM-0.5B-Stage2是一个高效的多模态语言模型，能够理解视觉内容并处理文本任务。

Qwen2.5-VL-32B-Instruct 是 Qwen 家族的最新视觉语言模型，具备强大的多模态理解和生成能力，支持图像、视频和文本的交互。

Qwen2.5-VL 是 Qwen 家族的最新视觉语言模型，具备强大的视觉理解和代理能力，支持多格式视觉定位和结构化输出生成。