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
如何修改别人发给我的微信笔记内容？
fbx、obj、glb三维格式模型如何在浏览器中通过three相互转换格式？
python如何实现基于http隧道加密的正向代理服务？
有没有有专门针对 UI 界面截图进行智能标记（Set-of-Mark, SoM） 的开源库和工具？
如何用python实现Set-of-Mark (SoM) 技术？
python如何截取windows指定应用的窗口截图，不用管窗口是不是在最前面？
linux能不能给rm删除命令增加回收站功能，可恢复被删文件？
bfwsoa如何在命令行中执行控制器动作器方法？
RAG（检索增强生成）和 KG（知识图谱）有啥不同？
KVM硬件是啥？
