LLaVA-视频模型是基于Qwen2语言模型的7B参数多模态模型，专注于视频理解任务，支持64帧视频输入。

LLaVA-NeXT-Video是一个开源多模态聊天机器人，通过视频和图像数据混合训练优化，具备优秀的视频理解能力。

InternVideo2.5是一款基于长且丰富上下文(LRC)建模增强的视频多模态大语言模型，构建于InternVL2.5之上，通过提升感知细粒度细节和捕捉长时序结构的能力，显著改进了现有MLLM模型。

CogVLM2-Caption是一个视频描述生成模型，用于为CogVideoX模型生成训练数据。

时空GPT是一个能够进行空间和时间推理的视频描述生成模型，能够分析视频帧并生成描述视频事件的句子。

Video-R1-7B是基于Qwen2.5-VL-7B-Instruct优化的多模态大语言模型，专注于视频推理任务，能够理解视频内容并回答相关问题。

InternVideo2.5 是一个基于 InternVL2.5 构建的视频多模态大语言模型（MLLM），通过长且丰富的上下文（LRC）建模进行了增强，能够感知细粒度细节并捕捉长时态结构。

VideoLLM-online是一个基于Llama-3-8B-Instruct的多模态大语言模型，专注于在线视频理解和视频-文本生成任务。

VideoChat-R1_7B 是一个基于 Qwen2.5-VL-7B-Instruct 的多模态视频理解模型，能够处理视频和文本输入，生成文本输出。

基于Qwen2.5-VL-7B-Instruct微调的摄像机运动分析模型，专注于视频中的摄像机运动分类和视频-文本检索任务