BriefGPT - AI 论文速递 · 2025-04-20T00:00:00Z ResNetVLLM - 用于视频理解任务的多模态视觉大语言模型 💡 原文中文，约300字，阅读约需1分钟。 📝 内容提要 本研究提出了ResNetVLLM框架，结合ResNet视觉编码器与大型语言模型，旨在解决零-shot视频理解问题。该模型在多个基准测试中表现优异，能够生成准确的上下文相关文本描述。 🏷️ 标签 ResNetVLLM 上下文描述 大语言模型 视觉编码器 视频理解 语言模型 阅读原文 生成长图 分享链接 已复制链接
