智谱 AI 开源视频理解模型 CogVLM2-Video

智谱 AI 宣布，训练了一种新的视频理解模型 CogVLM2-Video，并将其开源，该模型可以回答视频时间进度相关问题。据介绍，智谱提出了一种基于视觉模型的自动时间定位数据构建方法，生成了 3 万条与时间相关的视频问答数据，然后基于这个新数据集和现有的开放领域问答数据，引入了多帧视频图像和时间戳作为编码器输入。