来源： 网络 ，如有侵权请联系删除。如果您觉得对你有帮助的话，记得关注我们，我们会出更好的内容。

12日讯，阿里达摩院的研究人员提出了Video-LLaMA，一个具有综合视听能力大模型。Video-LLaMA能够感知和理解视频中的视频和音频信号，并能理解用户输入的指令，完成一系列基于音视频的复杂任务，例如音/视频描述，写作，问答等。目前论文，代码，交互demo都已开放。另外，在Video-LLaMA的项目主页中，该研究团队还提供了中文版本的模型，让中文用户的体验更好。

(资料图片仅供参考)

论文链接：

代码地址：https://github.com/DAMO-NLP-SG/Video-LLaMA

Demo 地址：

Modelscope: https://modelscope.cn/studios/damo/video-llama/summary

Huggingface: https://huggingface.co/spaces/DAMO-NLP-SG/Video-LLaMA

样例输入文件地址：

https://github.com/DAMO-NLP-SG/Video-LLaMA/tree/main/examples

T HE EN D

温馨提醒&广告

郑重声明： 本文绝非小编编写，版权归原作者所有，转载文章仅为传播更多信息之目的，如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间删除内容！