LongViTU:用于长视频理解的指令调优

💡 原文中文,约700字,阅读约需2分钟。
📝

内容提要

本文介绍了LongViTU,一个包含121,000个问答对和900小时视频的大规模自动生成数据集,旨在提升长视频理解能力。通过层次树结构和自我修正机制,确保数据集的高质量。研究表明,基于LongViTU的微调显著提升了视频理解模型的性能,展示了其实际应用潜力。

🏷️

标签

➡️

继续阅读