本文へスキップ

VideoLLaMA3

画像と動画の理解に向けたマルチモーダル基盤モデル

公式サイトを見る

VideoLLaMA3 とは

本モデルは DAMO-NLP-SG による画像・動画理解のマルチモーダル基盤モデルと紹介され、Qwen2.5 を土台に SigLip などの視覚エンコーダを組み合わせる。

できること

  • 動画から自然言語の説明を生成する
  • 動画や画像にもとづき問いに答える
  • 複数言語の動画課題に使う
  • 動画と文章を合わせて分類する

長所と短所

✓ 良い点

  • 推論コードとオンライン実演が揃う
  • ローカル配置とクラウド推論の双方に対応

! 注意したい点

  • 実行には PyTorch などの依存の導入が要る
  • ローカル利用前に重みの取得が必要

よくある質問

どの規模がある?

機能一覧は 2B と 7B の事前学習版を挙げる。

土台の構成は?

資料は Qwen2.5 と SigLip などの視覚エンコーダを説明。

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