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。

面向长视频理解的可插拔检索增强框架，无需训练即可为多模态大模型补充视觉对齐的检索证据，提升长视频问答效果。

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。

基于 GPU 加速的视频分析智能体参考架构，用视觉语言模型、LLM 和 RAG 实现长视频的实时告警、视觉问答与自动报告生成。

阿里云通义团队开源的多模态大模型系列，能同时理解图像和文本，用于视觉问答、图文推理等视觉语言任务。

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。