标签：内容推荐

VideoLLaMB 是一种创新的长视频理解框架，通过引入记忆桥接层和递归记忆令牌来处理视频数据，确保在分析时不丢失关键视觉信息。模型特别设计用于理解长时间视...

M2UGen是先进的多模态音乐理解和生成框架，由腾讯PCG ARC实验室与新加坡国立大学联合推出。结合了大型语言模型（LLM）的能力，能处理包括文本、图像、视频和...

FineVideo是由Hugging Face推出的一个大型多模态视频数据集，专注于视频理解领域中的复杂任务，如情绪分析、故事叙述和媒体编辑。FineVideo包含超过43,000个Y...

pipio是视频自动AI配音工具，能保留原始声音的同时进行视频翻译，精确匹配说话者的唇部运动，使新语言的配音看起来自然无痕。pipio口型匹配技术提升33%、零损...

MMBench-Video是新颖的长视频多题问答基准测试，是浙江大学、上海人工智能实验室、上海交通大学和香港中文大学联合推出的。MMBench-Video能全面评估大型视觉...

Docling是开源的文档解析和转换工具，能高效地将多种格式的文档（包括PDF、DOCX、PPTX、图片和HTML）解析，导出为Markdown或JSON格式。Docling支持高级PDF理...

HourVideo是斯坦福大学李飞飞和吴佳俊团队推出的长视频理解基准数据集，包含500个第一人称视角视频，时长20至120分钟，覆盖77种日常活动，能评估多模态模型对...