Tarsierは、バイトダンスの研究チームが開発した、一連の大規模ビデオ言語モデルです。高品質なビデオ説明の生成と、強力な動画理解能力を備えています。二段階のトレーニング戦略（マルチタスク事前学習と多粒度指示微調整）により、ビデオ説明の精度と詳細度が大幅に向上しました。主な利点としては、高精度なビデオ説明能力、複雑なビデオコンテンツの理解能力、そして複数の動画理解ベンチマークテストでSOTA（State-of-the-Art）の結果を達成している点が挙げられます。Tarsierは、既存のビデオ言語モデルにおける詳細と正確性の不足を改善することを目的として開発されました。大規模で高品質なデータによるトレーニングと革新的なトレーニング手法により、ビデオ説明分野において新たな高みに達しています。現時点では価格設定は公開されていませんが、主に学術研究と商業用途を対象としており、高品質な動画コンテンツの理解と生成が必要な場面に適しています。