优惠 无需训练的视频大语言模型SlowFast-LLaVA：能够同时捕捉视频的细节空间语义和长时序时间上下文，而不会超出常用LLM的令牌预算

苹果推出一个名为SlowFast-LLaVA（简称SF-LLaVA）的新方法，它是一种无需训练的视频大语言模型（LLM）。SF-LLaVA能够同时捕捉视频的细节空间语义和长时序时间上下文，而不会超出常用LLM的令牌预算。这种方法通过为视频LLM设计双流输入（Slow和Fast路径），有效地聚合了采样视频帧的特征。 论文... 阅读全文