本文へスキップ

LongVA

2000 コマ超を扱う長い文脈のモデル

公式サイトを見る

LongVA とは

LongVA は 2000 コマ超、あるいは 200K 超の視覚トークンを処理する長い文脈の変換モデルと紹介されている。

できること

  • 長い動画を言語から視覚へのゼロショット変換に充てる
  • CLI か Gradio の対話の実演を試す
  • サンプリングや温度を調整する

導入の手順

  • CUDA 11.8 と PyTorch 2.1.2 を入れる
  • pip でモデルと依存物を入れる
  • 学習済みモデルを落とし読み込む
  • 画像か動画のファイルを入力に用意する

長所と短所

✓ 良い点

  • Hugging Face のクイックスタートの例が挙がる
  • 機能一覧は Video-MME の結果に触れる

! 注意したい点

  • 準備には CUDA 11.8 と PyTorch 2.1.2 が挙がる
  • 資料は A100-SXM-80G での試験を説明

よくある質問

どれほどの動画を扱える?

資料は 2000 コマ超または 200K 超の視覚トークンと説明。

どんな実演が含まれる?

機能一覧は CLI と Gradio UI の複合的な対話の実演を挙げる。

最終評価日: 2026-11-15

その他 AI動画生成 ツール

すべて見る →

評価方法