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
在哪可以免费白嫖claude 4.5？
如何编写一个chrome插件实现多线程高速下载大文件？
cdn版本的vue在网页中出现typeerror错误无法找到错误代码位置怎么办？
pywebview能否使用webrtc远程控制共享桌面和摄像头？
pywebview6.0如何让窗体接受拖拽文件获取真实的文件路径？
如何在linux系统中同时能安装运行apk的安卓应用？
python有没有离线验证码识别ocr库？
各家的ai图生视频及文生视频的api价格谁最便宜？
openai、gemini、qwen3-vl、Doubao-Seed-1.6在ui截图视觉定位这款哪家更强更准？
如何在linux上创建一个沙箱隔离的目录让python使用？
