视频推理

LLaVA-Video

llava-vl.github.io

LLaVA-Video是专注于视频领域的大型多模态模型项目，核心定位为通过指令调优提升视频理解与推理能力。核心功能包括构建高质量视频指令调优数据集LLaVA-Video-178K，覆盖多类视频理解任务；支持开放式问答、多项选择问答、细粒度视频描述等多场景推理；提供模型基准测试结果与训练方案参考。目标用户覆盖AI研究人员、多模态模型开发者、视频内容分析从业者等，可用于学术研究实验、视频分析工具开发、多模态模型迭代优化等场景，为视频方向的多模态技术落地提供数据与模型参考。