# 視頻問答

Qwen2-VL-72B是Qwen-VL模型的最新迭代，代表了近一年的創新成果。該模型在視覺理解基準測試中取得了最新的性能，包括MathVista、DocVQA、RealWorldQA、MTVQA等。它能夠理解超過20分鐘的視頻，並可以集成到手機、機器人等設備中，進行基於視覺環境和文本指令的自動操作。除了英語和中文，Qwen2-VL現在還支持圖像中不同語言文本的理解，包括大多數歐洲語言、日語、韓語、阿拉伯語、越南語等。模型架構更新包括Naive Dynamic Resolution和Multimodal Rotary Position Embedding (M-ROPE)，增強了其多模態處理能力。

SlowFast-LLaVA是一個無需訓練的多模態大型語言模型，專為視頻理解和推理設計。它無需在任何數據上進行微調，就能在多種視頻問答任務和基準測試中達到與最先進視頻大型語言模型相當甚至更好的性能。

VideoLLaMA2-7B-16F-Base是由DAMO-NLP-SG團隊開發的大型視頻語言模型，專注於視頻問答（Visual Question Answering）和視頻字幕生成。該模型結合了先進的空間-時間建模和音頻理解能力，為多模態視頻內容分析提供了強大的支持。它在視覺問答和視頻字幕生成任務上展現出卓越的性能，能夠處理複雜的視頻內容並生成準確的描述和答案。

MiniGPT4-Video是為視頻理解設計的多模態大模型，能處理時態視覺數據和文本數據，配標題、宣傳語，適用於視頻問答。基於MiniGPT-v2，結合視覺主幹EVA-CLIP，訓練多階段階段，包括大規模視頻-文本預訓練和視頻問題解答微調。在MSVD、MSRVTT、TGIF和TVQA基準上取得顯著提升。定價未知。