VideoMind是一个多模态智能体框架，通过模拟类人的认知过程来增强视频推理能力。

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

VideoChat-Online是一个基于Phi-3-vision-128k-instruct的在线视频理解模型，专注于视频文本转文本任务。

LLaVA-NeXT-Video-7B-hf 是一个基于视频的多模态模型，能够处理视频和文本输入，生成文本输出。

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。