南大 MCG 发布 VideoJev:视频理解提速百倍、定位精度大涨
_akhaliq · x · 2026-10-15
南京大学 MCG 团队发布 VideoJev,一组 4B 与 35B-A3B 的「System One」视频理解与交互模型,通过共享打分头直接对时间区间和选项打分,统一了时序定位(temporal grounding)与多选视频问答,无需自回归解码答案。
关键结果:
- 相比 Qwen 底座,4B 与 35B-A3B 的平均 mIoU 分别提升 6.7 和 10.8 点,前向推理快 2.8–3.1 倍;
- 视频 QA 性能比肩对应 Qwen Thinking 模型,但前向推理快 100 倍以上;
- 支持缓存推理,问题陆续到来时复用视频计算;联合推理可一次前向回答多个问题。
训练/评测代码与两版 checkpoint 均已开源(GitHub、Hugging Face)。
所属事件:南大 MCG 发布 VideoJev：视频理解提速超百倍(3 条相关)→
「多模态」频道最新
- Fish Audio Drama 3 上线 ComfyUI：一次生成多角色对话场景 — NerdyRodent · 2026-10-15
- 回望 2023 年 2 月的 Midjourney:两年进步肉眼可见 — LinusEkenstam · 2026-10-15
- Gemini Argon 4 演示效果惊艳，创作者直呼不可思议 — Saboo_Shubham_ · 2026-10-15
- ComfyUI 节点让 35B 语音模型 Fish Audio Drama 3 跑进 8GB 显卡 — LatentSpacer · 2026-10-15
- ComfyUI 节点让 35B 语音模型 Fish Audio Drama 3 跑进 8GB 显卡 — LatentSpacer · 2026-10-15
- SayGM 发视频教程:蜡笔龙一句话起飞,静态图秒变动态片段 — markjeffrey · 2026-10-15