視覺理解

Video-LLaVA 是一個用於學習聯合視覺表示的模型，透過對齊前投影進行訓練。它可以將影片和影象表示進行對齊，從而實現更好的視覺理解。該模型具有高效的學習和推理速度，適用於影片處理和視覺任務。