大型多模态模型VideoGLaMM：专为用户提供的文本输入进行视频中细粒度像素级定位而设计视频与文本之间的细粒度对齐是一个具有挑战性的问题，因为视频中存在复杂的空间和时间动态。现有的基于视频的大型多模态模型（LMMs）虽然可以处理基本对话，但在视频中进行精确的像素级定位方面存在困难。 大型...新技术# VideoGLaMM# 大型多模态模型1年前05520
