坤坤不愧是视频AI界的Lenna，又双叒叕被作为演示在论文里出现了。
这是一篇论文，通过介绍一个端到端以聊天为中心的视频理解系统VideoChat，希望以此开始对视频理解的探索。通过可学习的神经接口集成了视频基础模型和大型语言模型，从而在时空推理、事件定位和因果关系推理方面表现出色。为了对这个系统进行有指导意义的调整，作者提出了一个以视频为中心的指令数据集，该数据集由数千个带有详细描述和对话的视频组成。该数据集强调时空推理和因果关系，提供用于指导系统的训练，为对话式视频理解系统提供宝贵资源。

论文地址：网页链接