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