ml-slowfast-llava

不训练也能做视频问答，双路抽帧直接跑出强基线

SlowFast-LLaVA 是一个面向视频理解的多模态大语言模型方案，核心卖点是无需额外训练即可直接使用。它针对视频问答（Video QA）任务中现有模型普遍需要大规模视频指令微调、成本高且易过拟合的问题，提出双路径时空建模：Slow 路径以较低帧率抽取关键帧捕捉长程语义，Fast 路径以较高帧率采样密集帧捕捉快速运动细节，两者特征拼接后送入 LLM 生成答案。项目提供完整推理代码与配置，兼容主流视频问答基准，可直接加载开源权重运行，无需重新训练即可获得有竞争力的结果，为研究者提供低成本、可复现的视频 LLM 基线。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 294

维护状态活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队apple-aiml-research

所属国家

官网地址

GitHubhttps://github.com/apple-aiml-research/ml-slowfast-llava

定价模式free

价格说明开源免费，需自行部署

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型multimodal-large-language-models,video-question-answering

GitHub 星标★ 294

30天Star增速

HF 下载量

上线时间2024-08-26 00:00:00

最近更新2026-09-11 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-15

浏览次数0

使用教程

核心亮点

完全免训练，直接复用现有图像 LLM 权重即可推理视频问答
Slow/Fast 双路径设计同时兼顾长程语义与快速动作细节
代码结构清晰，配置化抽帧参数，便于在自有视频数据上快速验证

不足之处

仅提供推理基线，缺少训练脚本与微调流程
依赖外部图像 LLM 权重，需自行准备模型与显存环境

适用场景

科研人员快速搭建视频问答基线做对比实验
工程团队在无标注视频数据上验证多模态方案可行性
教学场景演示视频 LLM 的免训练时空建模思路

替代项目

Video-LLaVA、LLaVA-NeXT-Video

项目介绍

ml-slowfast-llava 是一个开源模型领域的开源项目，官方简介：SlowFast-LLaVA: A Strong Training-Free Baseline for Video Large Language Models。项目使用 Python 开发，在 GitHub 上获得 294 星标。

上一篇：BitNet

下一篇：Dimple