LLaVA-OneVision-2.5 实证:视频编码器输入胜过均匀抽帧
liuziwei7 · x · 2026-11-19
LMMS Lab 发布 LLaVA-OneVision-2.5,首次给出明确信号:在通用视频理解任务上,codec(压缩码流)输入整体优于均匀抽帧。OV-2 时代两种方式各有所长,codec 主要强在时序定位;OV-2.5 通过统一设计让 codec 全面领先。pixeltable 补充了一个实践要点:codec 模式按编码器码率成本选择 patch,I-frame 保持稠密、仅从 P-frame 取运动与残差丰富的 patch,该信号来自压缩码流本身——先解码成 JPEG 再丢弃原视频的流水线需要重新有损编码才能拿到。且部分基准上抽帧仍占优(TOMATO 39.2 vs 36.0,LVBench 62.0 vs 61.6),作者建议保留源视频、把抽帧视为可按采样策略重算的派生物。
所属事件:LLaVA-OneVision-2.5 发布,首次证明视频编码输入优于抽帧(3 条相关)→
「模型」频道最新
- 17 个模型同题画"鹈鹕骑自行车",GPT-6.2 拉开身位 — nadermx · 2026-11-19
- Gemini 4 实测:Neon Low 多数指标反超 Hydrogen Medium — fundal_alb · 2026-11-19
- AI研究员每日成本2.3万美元,本地小模型做杂活反而更划算 — AIFlow_ML · 2026-11-19
- 白宫与财政部拟强制披露使用中国开源权重 AI 模型 — kevinnbass · 2026-11-19
- Google 报告披露自主 AI 黑客系统,但未证实任何攻击得手 — TruthIsAllYouNeed_ · 2026-11-19
- 行业罕见一幕:各方群体齐声称赞 Gemini 模型 — matt_slotnick · 2026-11-19