Video-VoT-R1：集成图像打包与AoE架构的高效视频推理模型
人工智能
2025-03-21 v1
摘要
在视频语言预训练领域，现有模型在推理效率和多模态数据处理方面面临诸多挑战。本文提出一种基于长序列图像编码器的KunLunBaize-VoT-R1视频推理模型，及其训练与应用方法。通过集成图像打包技术、Autonomy-of-Experts（AoE）架构，结合Video of Thought（VoT）——一种基于大规模强化学习训练的大型语言模型（LLM），以及多项训练技术，显著提升了该模型在视频推理任务中的效率与准确性。实验表明，该模型在多个测试中表现卓越，为视频语言理解提供了新的解决方案。
引用
@article{arxiv.2503.15807,
title = {Video-VoT-R1: An efficient video inference model integrating image packing and AoE architecture},
author = {Cheng Li and Jiexiong Liu and Yixuan Chen and Yanqin Jia},
journal= {arXiv preprint arXiv:2503.15807},
year = {2025}
}
备注
18 pages