AI工具与模型HOT精选全部
arXiv cs.AI评分60

V-JEPA-LM:读懂动态的视频语言模型

原文标题:V-JEPA-LM: Video-Language Models That Read Dynamics Beyond Static, Text-Aligned Representations

导读

这个视频语言模型不只看静态画面与文本对齐,而是真正读懂视频里的方向、速度、顺序与状态变化。

推荐理由

涉及模型 · 与本主题相关

打开原文 ↗

来源:arXiv cs.AI · arxiv.org

主题

相关条目