Мультимодальная модель LLaVA-Scissor на базе Qwen2.5 и SIGLIP отвечает на текстовые запросы о содержании видео.

Подходит для: ответы на вопросы о содержании видеороликов · описание событий и сцен в видео по запросу · анализ видеоматериалов с текстовыми инструкциями