天眼查App显示，2025年5月13日，「基于多模态图生文大模型的视频分析方法、装置、设备」正式进入专利公布阶段。申请人为北京智慧星光信息技术股份有限公司，该项人工智能专利涉及视频分析技术领域。据专利信息显示，该发明通过结合目标检测的方式防止生成无效文本信息，显著优化了视频分析效率和时效性，同时通过加入矩阵级噪音扰动提高图生文大模型训练的泛化能力，突破性进展使模型能更加准确地进行图像描述。发明人为韩勇、李青龙、骆飞、赵冲。

本发明通过对目标检测模型进行训练，将目标场景作为先验知识创建目标图像描述任务指令，从而聚焦视频中的重点场景更好地生成需要重点关注的图片描述。通过将两个模态输入融合对齐，将文本序列与交叉注意力之后输出矩阵的融合，使得模型能更好地理解指令并更好地生成文本描述，提高模型对视频内容理解的准确性。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。