🤩Long Video Assistant (LongVA)：长视频理解的突破！

- 将长上下文能力从语言迁移到视觉 🧠
- 唯一开源模型支持输入384帧🤩
- 处理2000+帧（200K+视觉标记）🤯
- 在7B模型中的Video-MME达到最先进的成果
- 引入新基准：用于测量视觉上下文长度的V-NIAH
- 仅在文本（224K标记）和短图像数据上训练

代码、模型、演示和检查点可用🤗
向LMMs-Lab团队致敬，推动了LMM的边界！ 🔥