LLaVA-OneVision-2：迈向下一代感知智能
原帖
**LLaVA-OneVision-2：迈向下一代感知智能**
_LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence_
> LLaVA-OneVision-2是LLaVA-OneVision系列中最强大的视觉语言模型，通过其创新的codec-stream tokenization技术，将压缩视频作为连续的比特流处理，实现了对长视频内容的稳定压缩和高效处理。该模型在视频理解、时间定位、空间定位等多个多模态基准测试中表现优异，特别是在新推出的JumpScore基准测试中大幅超越现有模型。该研究还建立了基于大规模开放监督的数据和训练框架。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-05-27 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.25979)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文介绍了视觉语言模型LLaVA-OneVision-2，其采用创新的codec-stream tokenization技术处理长视频，在多个多模态基准测试中表现优异。
答案说明
LLaVA-OneVision-2是LLaVA-OneVision系列中最强大的视觉语言模型，通过codec-stream tokenization技术将压缩视频作为连续比特流处理，实现了对长视频的稳定压缩和高效处理。该模型在视频理解、时间定位、空间定位等多模态基准测试中表现优异，特别是在新推出的JumpScore基准测试中大幅超越现有模型。研究还建立了基于大规模开放监督的数据和训练框架。
这篇帖子回答的问题
- LLaVA-OneVision-2采用了什么核心技术来处理长视频？
- LLaVA-OneVision-2在哪些基准测试中表现优异？
核心观点
- LLaVA-OneVision-2是LLaVA-OneVision系列中最强大的视觉语言模型，其创新的codec-stream tokenization技术能有效处理长视频。
- 该模型在视频理解、时间定位、空间定位等多个多模态基准测试中表现优异，特别是在新推出的JumpScore基准测试中大幅超越现有模型。
FAQ
- Q: LLaVA-OneVision-2的核心技术创新是什么？
- A: LLaVA-OneVision-2的核心技术创新是codec-stream tokenization技术，该技术将压缩视频作为连续的比特流处理，实现了对长视频内容的稳定压缩和高效处理。
- Q: 该研究建立了什么样的数据和训练框架？
- A: 该研究建立了基于大规模开放监督的数据和训练框架。
关键实体
- LLaVA-OneVision-2
- LLaVA-OneVision
- codec-stream tokenization
- JumpScore