即插即用！美团提出LinVT：让你的图文大模型理解视频！

文章预览

点击下方 卡片 ，关注“ CVer ”公众号 AI/CV重磅干货，第一时间送达 点击进入—> 【Mamba/多模态/扩散】交流群 添加微信：CVer2233，助手会拉你进群！ 扫描下方二维码，加入CVer学术星球 ！ 可获得最新顶会/顶刊上的论文idea 和 CV从入门到精通资料，及最前沿应用 ！发论文/搞科研/涨薪必备！ 视频数据的快速增长和广泛应用使得视频理解成为一个重要的研究方向。然而，长视频的理解过程非常复杂，因为它们包含了丰富的时间和空间信息。为了有效地理解和处理这些冗长的视频内容，学术界致力于开发能够进行时间敏感分析的智能数据助手，包括密集视频字幕生成、时间定位、关键时刻总结等任务。近期研究使用大语言模型（LLMs）在视频理解能力方面表现出色，然而，训练专门的video-LLM需要大量的计算资源和时间。 美团研究团队提出一种能够使现有 ………………………………