可以试试Video-LLaVA
Video-LLaVA 项目是由北京大学元研究团队开发的，旨在实现图像和视频之间的交互式能力，通过将视觉表示统一地绑定到语言特征空间，使得大型语言模型（LLM）能够同时对图像和视频进行视觉推理。
https://github.com/PKU-YuanGroup/Video-LLaVA
网友回复
我知道答案，我要回答
私活外包
最新提问
阿里云ESA、cloudflare worker、腾讯云EdgeOne网站代理托管哪家更好？
剪映能打开.fcpxml格式的文件吗？
增量式编码器与绝对式编码器的区别是啥？
有没有开源的单张照片或者序列帧图片或视频就能重建4d场景动画项目？
chrome网页突然报错：错误代码：RESULT_CODE_KILLED_BAD_MESSAGE
openai的codex如何全程无需手动确认自动修改文件？
阿里云oss前端上传文件直传如何限制文件类型？
阿里云oss前端获取policy签名直传oss上传文件回调如何传？
如何将根据三维物体通过提示词变成可交互的4d场景动画？
浏览器中实时摄像头离线视觉ai模型有吗？
