多模態(tài)大型語言模型(MLLMs)通過遵循一般的人類指令來解釋視覺內(nèi)容,已經(jīng)展示了令人印象深刻的視頻理解性能。然而,這些MLLMs在長視頻理解方面仍然存在困難,因為長視頻序列可能包含各種動態(tài)動作和復(fù)雜的時間關(guān)系,這使得MLLMs難以有效定位與問題相關(guān)的關(guān)鍵片段。
11月28日,在網(wǎng)易創(chuàng)新企業(yè)大會上,來自網(wǎng)易核心架構(gòu)的通信與視頻云服務(wù)商網(wǎng)易云信與浙江大學(xué)信電學(xué)院達(dá)成戰(zhàn)略合作,成立浙江大學(xué)信電學(xué)院——網(wǎng)易云信聯(lián)合創(chuàng)新與實踐基地