VideoChat-Flash是基于UMT-L和Qwen2.5-7B-1M构建的多模态模型，支持长视频理解，上下文窗口扩展至1M。

基于InternVideo2-1B和Qwen2.5-7B构建的多模态视频文本模型，每帧仅使用16个标记，支持长达10,000帧的输入序列。

VideoChat-Flash-7B是基于UMT-L (300M)和Qwen2-7B构建的多模态模型，每帧仅使用16个标记，支持输入序列长达约10,000帧。

基于UMT-L和Qwen2-7B构建的多模态模型，支持长视频理解，每帧仅使用16个标记，上下文窗口扩展至128k。

VideoChat-Flash-2B是基于UMT-L（300M）和Qwen2.5-1.5B构建的多模态模型，支持视频文本转文本任务，仅使用每帧16个标记，并扩展上下文窗口至128k。

LLaMA-VID是基于LLaMA/Vicuna微调的开源多模态聊天机器人，通过扩展上下文令牌支持长达数小时的视频处理能力。