MA-LMM est un modèle multimodal à grande échelle basé sur les grands modèles de langage, principalement conçu pour la compréhension de vidéos longues. Il traite les vidéos en ligne et utilise une mémoire pour stocker les informations vidéo passées, permettant ainsi une analyse à long terme sans dépasser les limites de la longueur du contexte du modèle linguistique ou les limites de la mémoire GPU. MA-LMM s'intègre parfaitement aux modèles de langage multimodaux actuels et offre des performances de pointe dans des tâches telles que la compréhension de vidéos longues, les questions-réponses sur vidéo et la génération de sous-titres vidéo.