LLaVA-OneVision-2.5 发布:首次证明视频编码输入胜过抽帧
liuziwei7 · x · 2026-11-18
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:codec(视频编码)输入整体优于均匀抽帧。
- 在 OV-2 阶段,团队用抽帧和 codec 两种方式同时训练,发现 codec 可行但主要在时序定位类任务上占优,并非全面领先。
- 团队的核心主张是:视频不应被视为一堆独立图像的堆叠,甚至单张图像也可以像 JPEG 一样以压缩视图存储,codec 是更统一、更有想象空间的路径。
- OV-2.5 的实验表明 codec 输入在通用视频任务上整体跑赢抽帧,作者称这为视频理解打开了更多可能性。
「多模态」频道最新
- LMMS-Lab 新研究:codec 采样在通用视频任务首超均匀帧采样 — liuziwei7 · 2026-11-18
- AI 生成帕丁森写真集以假乱真,光影质感已近乎实拍 — justin_hart · 2026-11-18
- 从 1000 步 DDPM 到 1 步生成:一篇扩散模型加速实战教程 — RisingSayak · 2026-11-18
- Clueso 发布 v2:AI 视频编辑器支持评论定位到秒、实时人机协作改片 — aakashgupta · 2026-11-18
- 求推荐:Minimax H3 还缺一个好用的 Director 节点 — Kind_Owl2245 · 2026-11-18
- Adobe Firefly 大使演示刺绣风动画短片,公开完整工作流与提示词 — azed_ai · 2026-11-18