ビデオ理解を向上させるための相互作用的な視覚-テキストトークンを備えたマルチモーダルLLMの進化：MiniGPT4-Video

MiniGPT4-Videoは、ビデオの時間的な視覚的および言語的データを処理する能力を備えた、ビデオ理解のためのマルチモーダルな大規模言語モデルである。