开源 11B 参数的多模态视觉语言模型，专攻长视频和实时流式视频理解，可用于视频问答等场景。
微软开源的统一多模态模型，用流匹配做图像编辑与文生图，同时支持流式视频理解和 GUI 电脑操作 Agent。
面向流式视频超分的一步扩散框架，用局部约束稀疏注意力和微型条件解码器把扩散超分做到实时，适合直播、视频通话等低延迟场景。
面向流式视频场景的空间智能框架，用测试时训练让多模态大模型持续理解三维空间关系，解决长视频中空间推理能力退化的问题。
收集视觉语言模型在流式视频场景下的论文与开源代码，帮研究者快速定位在线视频理解方向的资料。
…RIFE]实现2倍更快的视频补帧，并结合[Real-ESRGAN]进行放大。 - Turbo 视频（流式视频处理）现已适用于[Real-ESRGAN]和[RIFE]引擎。 - 帧直接通过管线流式传输，而不是写入帧文件夹。 - 更新了[设置预设]：更好地利用更新后的引擎和模型。 - 新的可滚动更新日志窗口可适应您的屏幕尺寸。 - 启用[Tu
…ESRGAN] 超分速度提升 2 倍 - [Real-ESRGAN] 和 [RIFE] 引擎现已支持流式视频处理。 - 新的流式视频超分和帧插值现已合并为单个开关(Turbo 视频) - 帧现在直接通过处理管线流式传输，而不再写入帧文件夹。 - 图像批处理现已永久启用。测试版开关已被移除。 - [NVIDIA RTX 50 系列 GPU]