智譜 AI 開源視頻理解模型 CogVLM2-Video，可回答時間相關(guān)問題

IT之家 7 月 12 日消息，智譜 AI 宣布，訓(xùn)練了一種新的視頻理解模型 CogVLM2-Video，并將其開源。

據(jù)介紹，當(dāng)前大多數(shù)的視頻理解模型使用幀平均和視頻標(biāo)記壓縮方法，導(dǎo)致時間信息的丟失，無法準(zhǔn)確回答與時間相關(guān)的問題。一些專注于時間問答數(shù)據(jù)集的模型過于局限于特定格式和適用領(lǐng)域，使得模型失去了更廣泛的問答能力。

智譜 AI 提出了一種基于視覺模型的自動時間定位數(shù)據(jù)構(gòu)建方法，生成了 3 萬條與時間相關(guān)的視頻問答數(shù)據(jù)?；谶@個新數(shù)據(jù)集和現(xiàn)有的開放領(lǐng)域問答數(shù)據(jù)，引入了多幀視頻圖像和時間戳作為編碼器輸入，訓(xùn)練出 CogVLM2-Video 模型。

智譜 AI 表示，CogVLM2-Video 不僅在公共視頻理解基準(zhǔn)上達(dá)到了最新的性能，還在視頻字幕生成和時間定位方面表現(xiàn)出色。

IT之家附相關(guān)鏈接：

• 代碼：https://github.com/THUDM/CogVLM2

• 項目網(wǎng)站：https://cogvlm2-video.github.io

• 在線試用：http://36.103.203.44:7868/

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。