跳到正文

VideoLLaMA3

面向图像与视频理解的多模态基础模型

访问官网

VideoLLaMA3 是什么

VideoLLaMA3 被介绍为由 DAMO-NLP-SG 团队开发、面向图像与视频理解的多模态基础模型,基于 Qwen2.5 并采用 SigLip 等视觉编码器。

你可以用它做什么

  • 由视频生成自然语言描述
  • 结合视频或图像回答问题
  • 在跨语言视频任务中使用
  • 结合视频与文本做内容分类

优点与缺点

✓ 我们认可的地方

  • 提供完整推理代码与在线演示
  • 同时支持本地部署与云端推理

! 需要留意的地方

  • 运行前需安装 PyTorch 等依赖
  • 本地使用需先下载模型权重

常见问题

有哪些模型规模?

功能列表列出 2B 和 7B 参数规模的预训练版本。

基于什么架构?

资料说明它基于 Qwen2.5 架构,并采用 SigLip 等视觉编码器。

最后评测: 2026-11-15

更多 AI 视频生成 工具

查看全部 →

评测方法