ALFRED dataset

LLaVA-OneVision-2 通过编解码流分词技术推动多模态AI发展

研究人员开发了LLaVA-OneVision-2，这是一种新的视觉语言模型，通过采用编解码流分词和窗口注意力在多模态任务中表现出色。该模型将压缩视频作为连续比特成本流进行处理，从而实现自适应时间分组和高效空间证据选择。LLaVA-OneVision-2在JumpScore等基准测试中表现强劲，在视频理解、时间定位和跟踪方面显著优于Qwen3-VL-8B等模型。