LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling

Агент для работы с длинными видео, позволяет большим мультимодальным моделям (#LMM) эффективнее анализировать и делать выводы на основе часовых роликов.

Cнижает вероятность галлюцинаций за счёт привязки рассуждений к фактическому видеоконтенту, а не только к текстовым данным

Работает с редкими и мелкими деталями в длинных видео, которые сложно уловить существующим моделям, обученным на более грубых и коротких данных

Гитхаб
HF
Демо
Разъяснительный комикс (EN)

#vlm #video2text