音视频火烈鸟：面向长复杂视频的开放音视频智能

AV-Flamingo是一个完全开源的大模型，专为长视频音视频理解设计，在15+基准上超越同等规模开源模型，部分任务甚至超过更大模型。

• AV-Flamingo在15+音视频、全模态、音频和视觉基准上评估，性能优于同等规模开源模型。
• 在长且复杂的真实世界音视频理解任务上，AV-Flamingo与更大规模的开源和闭源模型相比具有竞争力，甚至在某些任务上超越。
• Audio-Visual-Skills数据集包含约700万条训练实例，强调时序、组合和跨模态推理。
• 三阶段课程训练从短程感知逐步到长程多事件推理。
• 时序音视频交错思维链显式将推理步骤与时间戳对齐，提升时序对齐和可解释性。