本文へスキップ

PPLLaVA

視覚トークンを圧縮する効率の良い動画大規模言語モデル

公式サイトを見る

PPLLaVA とは

PPLLaVA は GPU 上での動画列の理解に向けた効率の良い動画大規模言語モデルと紹介されている。

できること

  • 細かな視覚提示の位置合わせを行う
  • 利用者の指示で視覚トークンを圧縮する
  • CLIP で動画の文脈を広げる

長所と短所

✓ 良い点

  • 利用者の指示による視覚トークン圧縮
  • 資料は処理量が 8 倍に向上と説明

! 注意したい点

  • 挙がる結果は名の挙がる評価用情報群に依存
  • 導入はリポジトリの複製と依存の導入が要る

よくある質問

視覚トークンは何個?

資料は 1024 個の視覚トークンと説明。

どの評価用情報群が挙がる?

資料は VideoMME、MVBench、VideoChatGPT Bench、VideoQA Bench 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