video-foundation-model

本文介绍了VideoRAE，一种表示自编码器，它利用冻结的视频基础模型来创建紧凑、可重建且利于生成的视频潜在表示。该模型在UCF-101上取得了最先进的结果，且收敛速度优于其他自编码器。

LingBot-Video，一个基于 MoE 的 300 亿参数视频基础模型，专为具身智能设计，已在 Hugging Face 上发布。推理时仅 30 亿参数激活，并额外使用 7 万小时具身数据增强。