Audio-Visual Flamingo（AV-Flamingo）是一款面向音频、图像与长视频联合理解和推理的开放式音视语言模型。论文发布约700万条训练实例、三阶段课程学习，以及将中间推理步骤绑定到时间戳的音视交错思维链，并在15个以上基准上评估其长时序与跨模态能力。
最近 24 小时暂无可用热度快照。