Sa2VA 是字节跳动联合加州大学默塞德分校、武汉大学和北京大学共同推出的多模态大语言模型，是 SAM2 和 LLaVA 结合而成，能实现对图像和视频的密集、细粒度理解。
本文采用 CC BY-NC 4.0 许可协议。商业转载、引用请联系本站获得授权，非商业转载、引用须注明出处。
链接：https://appmark.cn/sites/bytedance-sa2va.html -APPMARK
Sa2VA 是字节跳动联合加州大学默塞德分校、武汉大学和北京大学共同推出的多模态大语言模型，是 SAM2 和 LLaVA 结合而成，能实现对图像和视频的密集、细粒度理解。
本文采用 CC BY-NC 4.0 许可协议。商业转载、引用请联系本站获得授权，非商业转载、引用须注明出处。
链接：https://appmark.cn/sites/bytedance-sa2va.html -APPMARK
Pippo 是 Meta Reality Labs 推出的图像到 视频生成 模型，能从单张照片生成 1K 分辨率的多视角高清人像视频。