V-JEPA-LM 发布:1B-8B 视频语言模型读懂数字,4B 平均 72.1 分

_akhaliq · x · 2026-11-17

V-JEPA-LM 系列模型(1B-8B)将冻结的 V-JEPA 2.1 视频编码器接入 LLM,并用反事实监督(counterfactual supervision)训练,使其能读取视频中的方向、速度与顺序等动态信息,而非只靠单帧描述。

所属事件:V-JEPA-LM 发布:反事实监督让语言模型读懂视频(2 条相关)→

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →