面向超长视频的检索增强生成框架，让大模型能直接和你上传的视频对话，解决长视频内容理解与精准问答的问题。

面向超长视频理解的深度研究式问答智能体，能自动拆解问题、检索视频片段并给出答案，省去人工逐帧翻看的麻烦。

把视觉语言模型变成通用多模态嵌入模型，配套 MMEB 系列基准，用于图文视频检索和 RAG 场景的表示学习评测。

把本地文档和音视频文件建成向量库，用自然语言提问就能检索并回答，适合搭建私有 RAG 问答。