VTimeLLM

VTimeLLM

创新视频大语言模型实现精准时刻理解

VTimeLLM是一种先进的视频大语言模型,专注于精细化视频时刻理解和推理。该模型采用边界感知三阶段训练策略,包括图像-文本特征对齐、多事件视频时间边界识别和高质量视频指令微调。这种方法显著提升了模型的时间理解能力,使其在多项视频理解任务中表现优异。

VTimeLLM视频理解大语言模型时间边界感知多阶段训练Github开源项目

VTimeLLM [论文]

"VTimeLLM: 赋予LLM掌握视频时刻的能力"论文的官方PyTorch实现。

[多个"论文代码"徽章]


:loudspeaker: 最新更新

  • 1月2日: 感谢Xiao XiaShengbo TongBeining Wang,我们重构了代码,现在同时支持LLAMA和ChatGLM3架构。我们将训练数据翻译成中文,并基于ChatGLM3-6b微调了中文版本。
  • 12月14日: 发布了训练代码和数据。所有资源包括模型、数据集和提取的特征都可在这里获取。:fire::fire:
  • 12月4日: VTimeLLM: 演示版本发布。

VTimeLLM概述 :bulb:

VTimeLLM是一种新型的视频LLM,专为细粒度视频时刻理解和时间边界推理而设计。

VTimeLLM采用边界感知的三阶段训练策略,分别利用图像-文本对进行特征对齐,多事件视频增强时间边界意识,以及高质量视频-指令微调进一步提升时间理解能力并与人类意图对齐。

[框架图]


贡献 :trophy:

  • 据我们所知,我们提出了首个边界感知的视频LLM:VTimeLLM。
  • 我们提出了边界感知的三阶段训练策略,该策略连续利用:i) 大规模图像-文本数据进行特征对齐,ii) 大规模多事件视频-文本数据以及时间相关的单轮和多轮问答来增强时间边界意识,iii) 在高质量对话数据集上进行指令微调以获得更好的时间推理能力。
  • 我们进行了广泛的实验,证明所提出的VTimeLLM在各种细粒度时间相关视频任务中显著优于现有的视频LLM,展示了其卓越的视频理解和推理能力。

安装 :wrench:

[安装说明]

离线运行演示 :cd:

[离线演示说明]

训练 :train:

[训练说明]

定性分析 :mag:

VTimeLLM在多项任务中的综合性能评估。

[多个任务示例图片和说明]

致谢 :pray:

[致谢内容]

如果您在研究或应用中使用VTimeLLM,请使用以下BibTeX进行引用: [引用信息]

许可 :scroll:

[许可说明]

期待您的反馈、贡献和星标!:star2:

编辑推荐精选

蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI助手AI工具AI写作工具AI辅助写作蛙蛙写作学术助手办公助手营销助手
Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

聊天机器人AI助手热门AI工具AI对话
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

下拉加载更多