Apollo是一个创新的视频理解大规模多模态模型（LMM）系列，旨在深入探讨视频理解的机制。通过系统分析视频-LMM的设计空间，我们揭示了影响模型性能的关键因素，并提出了一系列可操作的优化建议。Apollo不仅为视频理解领域提供了新视角，还通过引入“缩放一致性”原则，显著降低了计算成本。
使用Apollo模型，用户可以通过配置不同的视频采样策略、训练时间表和数据组合，来优化模型的表现。Apollo的设计使得用户能够在较小的模型和数据集上进行有效的实验，进而将这些经验迁移到更大规模的模型中。
Apollo的定价信息尚未公开，具体价格将根据不同的使用需求而定。
Apollo由Meta GenAI及斯坦福大学的研究团队共同开发。
如需了解更多信息，请联系：[email protected]
社交媒体：Twitter：@apollo_lmms，Instagram：@apollo_lmms
Phi-3.5-vision-instruct是一种轻量级、 state-of-the-art 的开源多模态模型，适用于文本和视觉任务。
Pixtral-Large-Instruct-2411是一款124B的多模态模型，基于Mistral Large 2构建，具备卓越的图像理解能力，能够处理文档、图表和自然图像，同时保持文本理解的领先水平。
