ZhuYuhan/VideoJev-35B-A3B

VideoJev模型通过更快的决策统一视频理解和交互

研究人员推出了VideoJev，这是一个基于System One范式的新模型系列，专为视频理解和交互而设计。这些模型通过用一个共享的头部替换传统的自回归解码来适应现有的多模态大型语言模型（MLLMs），该头部根据视频证据对时间间隔和文本选项进行评分。这种方法统一了时间定位和视频问答，为AI代理提供了更快、更有效的决策。VideoJev模型在各种视频理解基准测试中展示了准确性和速度的显著提高。