采用创新的慢快架构来平衡视频理解中的时间分辨率和空间细节，克服了传统大语言模型的序列长度限制。

采用慢-快架构的视频多模态大语言模型，平衡时间分辨率和空间细节，支持64帧视频理解

基于Llama-3架构的多模态语言模型，原生支持音频与文本输入理解，专注于提升大语言模型对音频的理解能力。

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。