Meta AI等开源了一个专注于长视频语言理解的多模态模型：LongVU，它通过时空自适应压缩技术来处理视频数据，擅长处理和理解长视频。
特点：
1、能看懂长视频，支持细粒度的视频内容理解
2、可以回答关于视频内容的各种问题，记忆力特别好，能记住视频中的细节
3、能处理各类场景，从简单的物体运动到复杂的人物互动都可以
4、在有限上下文长度内，能有效处理大量视频帧，减少计算资源的消耗
github：https://github.com/Vision-CAIR/LongVU
Demo：https://huggingface.co/spaces/Vision-CAIR/LongVU
试了一下效果还不错：
