# Modele językowe rozumiejące wideo (Video-LLM)

EN: **Video-language models (Video-LLMs)** · id `videollm` · aliases: video language model, video LLM, Video-LLM, wideo-LLM

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Modele multimodalne](https://aiatlasgraph.com/t/multimodal.md) › [Modele wizja–język (opisywanie obrazów i pytania o nie)](https://aiatlasgraph.com/t/vlm.md) › Modele językowe rozumiejące wideo (Video-LLM)

## Description

- PL: Modele łączące enkoder klatek wideo z LLM do otwartego rozumienia nagrań: opisów, pytań, lokalizacji czasowej i rozumowania.
- EN: Models joining a video-frame encoder with an LLM for open-ended video understanding: description, questions, temporal localisation and reasoning.

## In one sentence

- PL: Model ogląda nagranie i rozmawia o nim: streszcza, odpowiada na pytania i wskazuje, w którym momencie coś się działo.
- EN: A model watches a recording and talks about it: it summarises, answers questions and says when something happened.

## Problem it solves

- PL: Godziny nagrań — wykładów, spotkań, monitoringu — nikt nie ma czasu obejrzeć, a trzeba z nich coś wyłowić.
- EN: Nobody has time to watch hours of lectures, meetings or camera footage, yet something must be found in them.

## What it does

- PL: Jak ktoś, kto obejrzał film za ciebie i z notatkami w ręku odpowiada, co było w 12. minucie i dlaczego.
- EN: Like someone who watched the film for you and, notes in hand, tells you what happened at minute twelve and why.

## Everyday example

- PL: Wrzucasz nagranie wykładu i pytasz, gdzie prowadzący tłumaczył wzór — dostajesz minutę i krótkie wyjaśnienie.
- EN: You upload a lecture and ask where the formula was explained — you get the minute and a short explanation.

## This concerns you if you…

- PL: przeglądasz długie nagrania w poszukiwaniu fragmentu
- PL: tworzysz streszczenia lub rozdziały filmów
- PL: analizujesz nagrania z kamer lub produkcji
- EN: search long recordings for one moment
- EN: create video summaries or chapters
- EN: analyse camera or production footage

## Keywords

Video-LLaVA · Video-MME · video question answering · temporal grounding · long video understanding · frame sampling · visual token compression · dense video captioning

## How it works

- PL: Próbkowane klatki (czasem z dźwiękiem) koduje enkoder wizyjny, a tokeny wizualne są kompresowane w czasie i przestrzeni, zanim trafią do LLM. Alternatywnie zewnętrzne narzędzia opisują nagranie tekstem, a LLM rozumuje nad tymi opisami; do długich filmów dochodzi pamięć lub wyszukiwanie klatek.
- EN: Sampled frames (sometimes with audio) are encoded by a vision encoder and visual tokens are compressed in time and space before entering the LLM. Alternatively external tools describe the video in text and the LLM reasons over that; long videos add memory or frame retrieval.

## Limits

- PL: Przegląd porządkuje wiele architektur i benchmarków, ale nie ustanawia jednej miary obejmującej wszystkie zdolności modeli. Długie nagrania wymagają selekcji lub kompresji informacji w czasie; pominiętych momentów model językowy nie może później odzyskać.
- EN: The survey organizes many architectures and benchmarks but does not establish a single metric covering every model capability. Long videos require temporal information selection or compression; moments omitted at that stage cannot later be recovered by the language model.

## Key terms

- PL: **frame sampling**: Wybór, które klatki nagrania model w ogóle zobaczy.
- PL: **temporal grounding**: Wskazanie momentu nagrania pasującego do opisu.
- PL: **token compression**: Zmniejszanie liczby tokenów wizualnych na klatkę.
- EN: **frame sampling**: Choosing which frames the model sees at all.
- EN: **temporal grounding**: Pointing to the moment in a video matching a description.
- EN: **token compression**: Reducing visual tokens per frame.

## Know first

- [Rozumienie wideo (Video understanding)](https://aiatlasgraph.com/t/videounderstanding.md)

## Related topics

Untyped, symmetric "see also" links.

- [Rozumienie wideo (Video understanding)](https://aiatlasgraph.com/t/videounderstanding.md)

## Sources

- [Video Understanding with Large Language Models: A Survey](<https://arxiv.org/abs/2312.17432>) `tang-2023-vidllm-survey` · by Yolo Y. Tang, Jing Bi, Siting Xu, Luchuan Song, Susan Liang, Teng Wang, Daoan Zhang, Jie An, Jingyang Lin, Rongyi Zhu, Ali Vosoughi, Chao Huang, Zeliang Zhang, Pinxin Liu, Mingqian Feng, Feng Zheng, Jianguo Zhang, Ping Luo, Jiebo Luo, Chenliang Xu

---

AI Atlas revision 124 (2026-10-31) · HTML: https://aiatlasgraph.com/t/videollm · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30