​​👁‍🗨 LongVA: Long Context Transfer from Language to Vision

LongVA может обрабатывать 2000 кадров или более 200 тысяч визуальных токенов.

Он обеспечивает самые современные характеристики видео-MME среди моделей 7B.

▪Github: https://github.com/EvolvingLMMs-Lab/LongVA
▪Paper: https://arxiv.org/abs/2406.16852
▪Project: https://lmms-lab.github.io/posts/longva/
▪Demo: https://longva-demo.lmms-lab.com/

@Devsp — Подписаться