- Qwen2.5-omni VL部分详解
结合代码分析 Qwen2.5-omni 是如何处理视频的
4 min 中文 - LongVALE 论文复现
LongVALE: Vision-Audio-Language-Event Benchmark Towards Time-Aware Omni-Modal Perception of Long Videos——论文复现
3 min 中文 - Whisper 论文阅读
Robust Speech Recognition via Large-Scale Weak Supervision——论文研读
7 min 中文 - Transformer 论文阅读
Attention Is All You Need——论文精读(详解)
10 min 中文 - LongVALE 论文阅读
LongVALE: Vision-Audio-Language-Event Benchmark Towards Time-Aware Omni-Modal Perception of Long Videos——论文研读
2 min 中文 - VTimeLLM 论文阅读
VTimeLLM: Empower LLM to Grasp Video Moments——论文研读
6 min 中文 - AVSegFormer 论文阅读
AVSegFormer: Audio-Visual Segmentation with Transformer——论文研读
9 min 中文 - VCT_AVS 论文阅读
Revisiting Audio-Visual Segmentation with Vision-Centric Transformer——论文研读
17 min 中文
Back