AI资讯新闻榜单内容搜索-长视频

关键词: Oryx,多模态,OryxViT,AI,多模态模型

视觉数据的种类极其多样，囊括像素级别的图标到数小时的视频。现有的多模态大语言模型（MLLM）通常将视觉输入进行分辨率的标准化或进行动态切分等操作，以便视觉编码器处理。然而，这些方法对多模态理解并不理想，在处理不同长度的视觉输入时效率较低。

关键词: 相柳AI,AI,AI角色,大模型

长视频平台的下一个必争之地？

关键词: Qwen2-VL,视觉大模型,通义千问,AI,AI视觉大模型

还能玩纸牌游戏。

关键词: LongVILA,模型训练,VLM,视觉语言模型

现在，长上下文视觉语言模型（VLM）有了新的全栈解决方案 ——LongVILA，它集系统、模型训练与数据集开发于一体。

关键词: AI视频,LongVA,token,AI,模型训练

为什么说理解长视频难如 “大海捞针”？

关键词: GPT-4o,AI,大模型,Video-ChatGPT

基于 ChatGPT、LLAMA、Vicuna [1, 2, 3] 等大语言模型（Large Language Models，LLMs）的强大理解、生成和推理能力

关键词: GPT-4o,AI,AI视频,大模型

难度大升级的多任务长视频理解评测基准MLVU来了！

关键词: LeCun,StoryDiffusion,扩散模型,AI漫画,AI长视频

两天前，图灵奖得主 Yann LeCun 转载了「自己登上月球去探索」的长篇漫画，引起了网友的热议。

关键词: Open-Sora,sora,AI视频,扩散模型

Open-Sora 在开源社区悄悄更新了，现在单镜头支持长达16秒的视频生成，分辨率最高可达720p，并且可以处理任何宽高比的文本到图像、文本到视频、图像到视频、视频到视频和无限长视频的生成需求。我们来试试效果。

关键词: 世界模型,GPT-4,LWM,开源模型

来自UC berkeley的研究人员开源了首个世界模型，多模态性能优秀，长视频理解吊打GPT-4，同时将上下文长度增加到百万级别