#LLaVA-Video

LLaVA-Video-7B-Qwen2是基于Qwen2语言模型的7B参数多模态模型，专注于视频理解和交互。该模型支持处理最多64帧的视频，可进行图像、多图像和视频的交互。经LLaVA-Video-178K和LLaVA-OneVision数据集训练，具备32K tokens的上下文窗口。在ActNet-QA、EgoSchema和MLVU等多个视频理解基准测试中表现出色。模型提供了简便的代码，方便研究人员生成视频描述和回答相关问题。