LLaVA-OneVision-2.5 发布,首次证明视频编码输入优于抽帧

LMMS-Lab 发布 LLaVA-OneVision-2.5,首次在通用视频理解任务上给出明确信号:以视频编码(codec)方式输入整体优于传统的均匀抽帧。长期以来,视频理解模型普遍采用均匀抽帧作为视觉输入手段,这一结果为 codec 采样路线提供了有力证据,可能改变视频多模态模型的输入范式。

2026-11-18 ~ 2026-11-18 · 2 条相关