Video-CCAM ist eine Reihe flexibler, mehrsprachiger Videomodelle (Video-MLLM), die vom Tencent QQ Multimedia Research Team entwickelt wurden. Sie zielen darauf ab, das Verständnis von Video-Sprache zu verbessern, insbesondere für die Analyse von Kurz- und Langvideos. Dies wird durch kausale Cross-Attention-Masken (Causal Cross-Attention Masks) erreicht. Video-CCAM erzielt in mehreren Benchmark-Tests hervorragende Ergebnisse, insbesondere bei MVBench, VideoVista und MLVU. Der Quellcode wurde überarbeitet, um die Bereitstellung zu vereinfachen.