Modele łączące enkoder klatek wideo z LLM do otwartego rozumienia nagrań: opisów, pytań, lokalizacji czasowej i rozumowania.
Models joining a video-frame encoder with an LLM for open-ended video understanding: description, questions, temporal localisation and reasoning.
Model ogląda nagranie i rozmawia o nim: streszcza, odpowiada na pytania i wskazuje, w którym momencie coś się działo.
A model watches a recording and talks about it: it summarises, answers questions and says when something happened.
Godziny nagrań — wykładów, spotkań, monitoringu — nikt nie ma czasu obejrzeć, a trzeba z nich coś wyłowić.
Nobody has time to watch hours of lectures, meetings or camera footage, yet something must be found in them.
Jak ktoś, kto obejrzał film za ciebie i z notatkami w ręku odpowiada, co było w 12. minucie i dlaczego.
Like someone who watched the film for you and, notes in hand, tells you what happened at minute twelve and why.
Wrzucasz nagranie wykładu i pytasz, gdzie prowadzący tłumaczył wzór — dostajesz minutę i krótkie wyjaśnienie.
You upload a lecture and ask where the formula was explained — you get the minute and a short explanation.