VideoLLaMA2 是一个面向图像、视频和文本交互的多模态应用示例。用户可以输入文字并上传图像或视频，再围绕媒体内容进行提问，适合用于内容理解、信息提取和自然语言分析等任务。

Open VLM Video Leaderboard 汇总通过 VLMEvalKit 获得的视频理解指标结果，提供整体排名以及按具体基准查看总体分数和细粒度分数的评测参考。