跳到正文

LLaVA-Video

用合成数据集做视频指令调优

访问官网

LLaVA-Video 是什么

LLaVA-Video 被介绍为专注视频指令调优的大型多模态模型,围绕合成数据集 LLaVA-Video-178K 构建。

你可以用它做什么

  • 用视频指令数据调优模型
  • 处理描述与问答任务
  • 采用 SlowFast 视频表示方法

应用场景

  • 研究人员训练视频问答模型
  • 开发者为应用加入视频搜索
  • 企业过滤不适宜的视频内容

优点与缺点

✓ 我们认可的地方

  • 数据集、生成流程和模型检查点开放
  • 可结合现有视觉指令调优数据

! 需要留意的地方

  • 配置需依据 Training Code 并配置硬件
  • 使用前需先下载数据集与检查点

常见问题

数据集叫什么?

资料点名 LLaVA-Video-178K。

包含哪些任务?

资料列出视频描述、开放式问答和多项选择问答。

最后评测: 2026-11-15

更多 AI 视频生成 工具

查看全部 →

评测方法