面向长期视频理解的大规模多模态模型，MA-LMM官网入口网址

视频理解基础模型，VideoPrism官网入口网址

理解复杂视频，作诗配文的AI视频模型，MiniGPT4-Video官网入口网址

提升视频理解和生成的AI模型。ShareGPT4Video官网入口网址

大型视频-语言模型，提供视觉问答和视频字幕生成。VideoLLaMA2-7B官网入口网址

一款多功能大型视觉语言模型，InternLM-XComposer-2.5官网入口网址

VideoRAG 是一个用于处理极长上下文视频的检索增强型生成框架。

Qwen2.5-VL 是一款强大的视觉语言模型，能够理解图像和视频内容并生成相应文本。

Tarsier 是由字节跳动推出的用于生成高质量视频描述的大型视频语言模型。

VideoLLaMA3是前沿的多模态基础模型，专注于图像和视频理解。

一个用于智能设备等的多模态原生代理框架。

是一个多模态视频数据集，它为AI模型提供了丰富的上下文信息，使其能够更深入地理解视频内容。这个数据集在视频内容分析、情绪分析、故事叙述理解、媒体编辑和多模态学习等领域具有广泛的应用前景，FineVideo官网入口网址

视频指令调优与合成数据研究

多模态原生混合专家模型

长视频语言理解的时空自适应压缩模型

视频序列理解的GPU实现模型

大型多模态模型中视频理解的探索

AI视频生成提示库

视频理解领域的先进空间-时间建模与音频理解模型。

Qwen2-VL-7B是最新的视觉语言模型，支持多模态理解和文本生成。