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。

LLaVA-Video-7B-Qwen2-TPO是基于LLaVA-Video-7B-Qwen2进行时间偏好优化的视频理解模型，在多个基准测试中表现优异。

mPLUG-Owl3 是一款先进的多模态大语言模型，专注于解决长图像序列理解的挑战，通过超注意力机制显著提升处理速度和序列长度。

AuroraCap是一个用于图像和视频字幕的多模态大语言模型，专注于高效和详细的视频字幕生成。

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。

Tarsier-7b 是 Tarsier 系列的开源大规模视频语言模型，专注于生成高质量视频描述并具备优秀的通用视频理解能力。

CogVLM2-Video是一款高性能视频理解模型，在多项视频问答任务中实现最先进性能表现，能在一分钟内完成视频理解。

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。

GIT是一种基于CLIP图像标记和文本标记的双条件Transformer解码器，专为MSRVTT-QA任务微调。

GIT是一种基于CLIP图像标记和文本标记的Transformer解码器，用于视觉与语言任务。