# NVIDIA 开源 Audio-Visual Flamingo：能看懂长视频里画面和声音的大模型

> 原标题：NVIDIA 发布 Audio-Visual Flamingo：面向长视频的开放音频-视觉大语言模型

- 来源：AI HOT 精选
- 发布时间：2026-07-17T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/45307
- 原文：https://arxiv.org/abs/2607.16107

## 摘要

NVIDIA 把 Audio-Visual Flamingo 完全开源了。这个模型能同时理解视频里的画面、声音和文字，而且专门针对长视频——不是那种几秒的片段，是真实世界里几分钟甚至更长的复杂视频。它用了一个约 700 万条带时间戳的标注数据做训练，分三个阶段逐步教会模型：先看懂短片段，再学会跨多个事件做长线推理。

## 推荐理由

NVIDIA 将 Audio-Visual Flamingo 完全开源，模型能同时理解长视频中的画面、声音与文字，其约 700 万条带时间戳标注数据和分三阶段的训练方法，为长视频多模态理解提供了一条可复用的路径。

## 锐评

700 万条带时间戳的标注数据，这个量级是这条里唯一能拿走的实货。长视频理解卡的就是跨事件的时间对齐，NVIDIA 肯把这种规模的标注集连模型一起放出来，做视频理解的团队省下的标注钱不是小数目。

模型本身没给延迟没给成本，当研究发布看就行。开源权重加数据，先拿数据去训自己的小模型更划算。
