苹果研究团队近日开源了SlowFast-LLaVA-1.5长视频多模态大语言模型，该模型在1B至7B参数规模下，均刷新了LongVideoBench和MLVU等多项基准测试的最高纪录。

当前视频理解模型普遍存在依赖长上下文窗口、训练复杂及图像理解能力弱等局限。苹果采用创新双流架构，通过“慢流”捕捉细节、“快流”追踪动态，显著提升了处理效率。该模型支持128帧灵活配置，在降低计算需求的同时，兼顾了视频与图像的通用理解能力。

项目基于公开数据集训练，已在GitHub和Hugging Face开放下载，为学术与产业应用提供了可靠基础。