3B模型超越Meta 7B模型，超长视频理解SOTA刷新了！
来自上海交通大学、北京智源研究院、特伦托大学的联合研究团队推出了Video-XL-Pro，实现近一万帧视频的单卡处理，大海捞针准确率超98%。
现有的多模态大模型在超长视频训练和应用中仍存在显著瓶颈：一方面，难以大规模训练超长视频；另一方面，在处理长视频时，仍然面临性能差和效率低的双重挑战。
对此，Video-XL-Pro创新采用“重构式token压缩”技术，并且使用较少的训练数据，在多个基准评测上超越了之前Meta发布的7B模型Apollo-7B，以及同尺寸的知名开源模型Qwen2.5-VL-3B、InternVL2.5-4B等，项目代码，模型，训练数据均已开源。
更多技术细节，欢迎点击链接查看详情：
