本文へスキップ

LongVU

適応圧縮で長い動画を理解する

公式サイトを見る

LongVU とは

LongVU は長い動画の言語理解モデルと紹介され、時空間の適応圧縮で動画トークンを減らしつつ視覚の細部を保つと説明されている。

できること

  • 場面の細部を尋ねて説明を得る
  • 特定の動作を見分け問いに答える
  • 物体の動く向きを描写する

導入の手順

  • 公式の企画ページを訪れる
  • 必要なライブラリと枠組みを導入する
  • 案内に沿って動画データを用意する
  • 用意されたコードとモデルで分析する

長所と短所

✓ 良い点

  • 限られた文脈で多数のフレームを扱える
  • 軽量な大規模言語モデルに対応

! 注意したい点

  • 圧縮により視覚情報の一部が失われる
  • 資料は複数の動画理解ベンチマークで既存手法を上回ると記載

よくある質問

圧縮の手法は?

機能一覧は DINOv2 の特徴、文章で導く照会、空間トークンの削減を挙げる。

動画の長さは?

資料は一時間にわたる動画の理解課題を取り上げる。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法