LLaVA-Octopus: Unlocking Instruction-Driven Adaptive Projector Fusion for Video Understanding
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本文介绍了LLaVA-Octopus，这是一种新的视频多模态大型语言模型。该模型通过动态调整不同视觉投影器的特征权重，有效融合各投影器的优点，显著提升了多模态任务的性能，尤其在多模态理解、视觉问答和视频理解等领域具有广泛应用潜力。
🏷️
