Qwen2.5-VL是Qwen家族最新推出的视觉语言模型，具备强大的视觉理解和多模态处理能力，支持图像、视频分析和结构化输出。

LLaVAction是一个用于动作识别的多模态大语言模型，基于Qwen2语言模型，在EPIC-KITCHENS-100-MQA数据集上训练而成。

Vamba是一种混合Mamba-Transformer架构，通过交叉注意力层与Mamba-2模块实现高效的长视频理解。

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、智能体功能和长视频处理能力。

基于长且丰富的上下文（LRC）建模增强的视频多模态大语言模型，通过提升感知细粒度细节和捕捉长时态结构的能力改进现有MLLM

InternVideo2.5是一款基于长且丰富上下文(LRC)建模增强的视频多模态大语言模型，构建于InternVL2.5之上，通过提升感知细粒度细节和捕捉长时序结构的能力，显著改进了现有MLLM模型。

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。

LongVA-7B-TPO是基于LongVA-7B通过时序偏好优化而来的视频-文本模型，在长视频理解任务中表现优异。

Apollo是一系列专注于视频理解的大型多模态模型，擅长处理长达一小时的视频内容，支持复杂视频问答和多轮对话。

Apollo 是一系列专注于视频理解的大型多模态模型，擅长处理长视频内容理解、时序推理和复杂视频问答等任务。

LongVU 是一种面向长视频语言理解的时空自适应压缩技术，旨在高效处理长视频内容，提升语言理解能力。

Oryx-1.5-7B是基于Qwen2.5语言模型开发的7B参数模型，支持32K tokens上下文窗口，专注于高效处理任意空间尺寸和时长的视觉输入。

LongVU是一种面向长视频语言理解的时空自适应压缩技术，旨在高效处理长视频内容。

LongVU是基于Qwen2-7B的多模态模型，专注于长视频语言理解任务，采用时空自适应压缩技术。

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。

袋鼠是一个专为长视频理解设计的强大多模态大语言模型，支持中英双语对话和长视频输入。

TimeSformer是一个基于空间-时间注意力机制的视频分类模型，专门用于视频理解任务。

TimeSformer是基于空间-时间注意力机制的视频分类模型，在Kinetics-600数据集上进行了微调。