1.北大字节开源首个字母

AI看视频也能划重点了！不仅能回答“是什么”、“发生了什么”，还能指出是在“何时何地”发生来自北大和字节的联合团队，推出了首个将显式时空证据嵌入视频推理全过程的开源模型——Open-o3 Video，让AI不仅能答对问题，也能在思维过程中同步直观标出具体位置，真正实现有迹可循的视频推理。

北大字节开源首个时空推理视频模型！思考过程全透明，性能超越GPT-4o（插图

2.北大字节pua

△Open-o3 Video的能力同时，模型采用non-agent架构，避免了复杂的工具调用和多轮推理，一次回复中直接完成“看—想—证—答”的闭环在多个视频推理测试中，关键指标可提升至24.2%，性能表现超越。

3.北大 字节跳动

GPT-4o和Gemini-2-Flash等一众闭源模型。

北大字节开源首个时空推理视频模型！思考过程全透明，性能超越GPT-4o（插图1

4.北大学生字节跳动

下面是更多详细内容研究背景视频理解是多模态大模型(MLLM)中最复杂的任务之一不同于静态图像，视频同时承载着时间维度的动态变化与空间维度的场景交互这意味着，模型不仅要识别画面中的物体与动作（What），还必须判断它们在什么时间(When)

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。