**HuggingFace每日论文：Audio-Visual Flamingo实现长视频复杂音视频理解**

_Audio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos_

> HuggingFace社区推出Audio-Visual Flamingo (AV-Flamingo)，这是一种全开源的音视频大语言模型，专为联合理解和推理音频、图像及长视频而设计。该模型通过包含约700万条标注数据的“音视频技能”数据集、三阶段课程学习以及时间音视频交错思维链推理框架，显著提升了在长时域和多事件场景下的跨模态推理能力。实验表明，AV-Flamingo在15多个基准测试中表现优异，尤其在处理真实世界的长复杂音视频任务时，性能超越同类开源模型并媲美更大规模的闭源模型。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-07-20 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.16107)