Cosmos-Reason1是NVIDIA开发的物理AI模型，能够理解物理常识并通过长链思维推理生成具身决策自然语言。

Qwen2.5-VL-32B-Instruct 是一个强大的视觉语言模型，具备增强的数学和问题解决能力，适用于多模态任务。

Cosmos-Reason1是NVIDIA开发的物理AI模型，能够理解物理常识并通过长链思维推理生成具身决策。

基于lmms-lab/llava-onevision-qwen2-7b-ov模型微调的版本，支持视频文本到文本的转换任务。

InternVideo2是一个多模态视频理解模型，具有6B参数规模，专注于视频内容分析和理解任务。

Qwen2.5-VL是Qwen家族的最新视觉语言模型，具备增强的视觉理解、代理能力和结构化输出生成功能。

VideoLLaMA3的视觉编码器，采用任意分辨率视觉标记化(AVT)技术，动态处理不同分辨率的图像和视频。

VideoLLaMA2.1是基于VideoLLaMA2的升级版本，专注于提升视频大语言模型中的时空建模与音频理解能力。

VideoLLaMA 2是一个多模态大语言模型，专注于视频理解，具备时空建模和音频理解能力。

VideoLLaMA 2是一个多模态大语言模型，专注于视频理解和时空建模，支持视频和图像输入，能够进行视觉问答和对话任务。

Tarsier-34b 是一个开源的大规模视频语言模型，专注于生成高质量的视频描述，并在多个公开基准测试中取得领先成绩。

VideoLLaMA 2是新一代视频大语言模型，专注于提升时空建模能力和音频理解能力，支持多模态视频问答和描述任务。

VideoLLaMA 2是一个多模态大语言模型，专注于视频理解和音频处理，能够处理视频和图像输入并生成自然语言响应。

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，具备优秀的视频理解能力。

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。

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获得优秀的视频理解能力，在VideoMME基准上达到开源模型SOTA水平。

ShareGPT4Video-8B 是一个开源视频聊天机器人，通过在开源视频指令数据上进行微调训练而成。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，通过对比学习在视频和文本对上训练。

X-CLIP是对CLIP的扩展，用于通用视频语言理解，支持零样本、少样本或全监督的视频分类以及视频-文本检索等任务。

X-CLIP是CLIP的扩展版本，用于通用的视频语言理解，通过对比学习在（视频，文本）对上训练。

X-CLIP是对CLIP的扩展，用于通用视频-语言理解，通过对比学习在（视频，文本）对上训练。

X-CLIP是对CLIP的极简扩展，用于通用视频-语言理解，通过对比学习在（视频，文本）对上训练。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，通过对比学习在视频和文本对上训练，适用于视频分类和视频-文本检索等任务。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，通过对比学习在(视频，文本)对上训练，适用于视频分类和视频-文本检索等任务。