ByteDance Research视频理解大模型「眼镜猴」正式发布

ByteDance Research发布了新一代视频理解大模型Tarsier2，该模型为7B参数的轻量级模型，可在视频描述、短视频分析等任务中提供高质量输出。它基于4000万个视频-文本对数据进行预训练，并通过SFT和DPO两阶段后训练优化性能。实验结果显示，在19个公开基准测试中，Tarsier2的表现优于多个开源及闭源模型，特别是在视频描述任务上的准确性和细节捕捉能力显著提高。此外，Tarsier2还在机器人指令生成和智能驾驶辅助决策方面展现了强大的泛化能力。
来源：https://mp.weixin.qq.com/s/tVr-QidbmA9AudaXaNOKgA