本文へスキップ

SlowFast-LLaVA

追加学習なしで動画の質問応答を行う

公式サイトを見る

SlowFast-LLaVA とは

本モデルは動画の理解と推論に向けた学習不要のマルチモーダル大規模言語モデルと紹介され、微調整なしで動画の質問応答を行うと説明される。

できること

  • 動画についての問いに答える
  • 複数の動画質問応答の評価を動かす
  • 使う機器に合わせて設定を変える

導入の手順

  • CUDA、Python、PyTorch を用意する
  • コードを取得し仮想環境を作る
  • 事前学習済みの重みを揃える

長所と短所

✓ 良い点

  • 導入と使い方の詳しい案内が用意される
  • 例のコードとスクリプトが揃う

! 注意したい点

  • 評価は事前学習済み LLaVA-NeXT 重みに依存
  • 準備には CUDA、Python、PyTorch が要る

よくある質問

微調整は必要?

資料は学習不要でどのデータにも微調整が要らないと説明。

使う重みは?

資料は事前学習済み LLaVA-NeXT 重みを挙げる。

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