VideoChat3

本文分析VideoChat3，一种全开源的视频多模态大语言模型。针对现有模型泛化能力有限、计算效率低下及可复现性差的问题，VideoChat3提出I3D-ViT架构和自适应帧分辨率机制。实验显示其在MotionBench和TempCompass上取得全开源最佳成绩。需注意自适应分辨率依赖状态预测准确性，且长视频数据依赖LLM生成。