現在、マルチモーダル大規模言語モデル（MLLM）はビデオ理解分野で著しい進歩を遂げていますが、超長尺ビデオの処理は依然として課題となっています。これは、MLLMが通常、最大コンテキスト長を超える数千のビジュアルトークンの処理に苦労し、トークン集約による情報減衰の影響を受けるためです。同時に、大量のビデオトークンは高額な計算コストも引き起こします。これらの問題を解決するために、北京智源人工智能研究院は上海交通大学、中国人民大学、北京大学、北京郵電大学などの複数の大学と共同で、Vide…

北京智源人工知能研究院は、上海交通大学、中国人民大学、北京大学、北京郵電大学などの大学と共同で、超長動画理解大規模言語モデルVideo-XLを発表しました。このモデルは、マルチモーダル大規模言語モデルの中核能力を重要な形で示しており、汎用人工知能（AGI）への重要な一歩です。既存のマルチモーダル大規模言語モデルと比較して、Video-XLは10分を超える長尺動画の処理において、より優れた性能と効率性を示しています。