研究人员开发了 V-JEPA-LM,这是一种新颖的视频-语言模型,它擅长理解视频内的动态变化,而不仅仅是静态的、文本对齐的表征。通过在 453 万个样本上采用反事实监督和单阶段训练过程,V-JEPA-LM 模型在十一个视频基准测试中表现出色。这些模型基于 Qwen3 和 Llama 架构构建,参数量从 1B 到 8B 不等,在各自的规模类别中优于现有的开源模型,其中 4B 模型取得了 72.1 的分数。 AI
影响 这项研究推进了视频理解能力,有望改进视频分析、内容审核和自主系统等应用。
排序理由 该集群报告了一篇关于新颖视频-语言模型架构及其在基准测试中表现的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →