在音视频融合理解方面，仅支持视觉输入的模型如Qwen2.5-VL-7B-Instruct和Keye-VL-8B在面对依赖音频内容的视频时常常出现理解偏差。 在视频聚合应用中，模型通过生成详细摘要帮助内容分类…
10/31 16:58
10/31 16:56
10/31 16:55
京公网安备 11011402013531号