研究人员最近发布了名为“FAVOR”的创新技术，通过融合音频和视觉细节，显著提升了大型语言模型对视频内容的理解能力。这一多模态支持技术为用户提供更精确的需求表达方式，并允许参数微调，有望推动人工智能视频理解技术的发展。