苹果研究团队开发出适配版 SlowFast-LLaVA 模型，在长视频分析理解任务上表现优异。

该模型采用双流架构优化视频处理效率，慢流以低帧率捕捉场景细节，快流以高帧率追踪动作变化，有效减少信息冗余并缓解上下文窗口溢出问题。其 10 亿、30 亿和 70 亿参数版本在 LongVideoBench 等长视频基准测试中取得领先成绩，其中 10 亿参数模型在 General VideoQA 任务中得分 56.6，70 亿参数模型在 Long-Form Video Understanding 任务中得分 71.5，并在图像理解任务如知识推理、OCR 等方面展现优势。

当前模型输入帧长限制为 128 帧，可能影响部分关键帧识别。团队表示将研究内存优化技术以提升模型性能。该模型基于公开数据集训练并开源。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。