.01
.02
一致性扩展：在小规模模型上的设计能够无缝迁移至更大规模的模型，减少了大规模实验的成本。 帧率采样技术（fps Sampling）：相较传统的均匀采样，帧率采样能够更高效地保留视频的动态变化。 双视觉编码器（Dual Vision Encoders）：SigLIP 擅长空间理解，InternVideo2 则聚焦时间推理，二者结合提供了全面的视频数据表征。 ApolloBench 基准测试套件：精简评估冗余项，提供更详尽的性能洞察。
.03
SigLIP：专注于视频的空间维度，例如物体的细节与构图。 InternVideo2：增强了对视频时间轴的理解，比如动作衔接和节奏。这种组合不仅弥补了单一编码器的局限，还实现了视频数据的平衡表征。
先针对视频数据微调视觉编码器； 再与文本和图像数据集进行集成训练； 最后优化多模态交互能力。
.04
Apollo-1.5B：在 Video-MME 和 MLVU 等任务中超越了许多规模为 4.2B 的模型，如 Phi-3.5-Vision。 Apollo-7B：即使与参数量达 30B 的顶尖模型（如 Oryx-34B 和 VILA1.5-40B）相比，也表现出色。
.05
视频问答系统：凭借多轮对话能力，Apollo 可以在视频问答和内容理解中实现流畅交互。 内容分析：为娱乐、教育和广告领域提供精准的视频分析服务。 长视频处理：支持长达一小时的视频数据处理，适用于会议纪要生成、视频摘要等复杂任务。
.06
参考：
https://apollo-lmms.github.io/ https://arxiv.org/abs/2412.10360
