VITA 3.0 相比此前版本有哪些升级？

VITA 3.0 相比此前版本的升级如下：

1. 视频理解框架升级

● 升级后的视频理解框架，单次最高支持 600MB 长视频的处理

● 在长视频结构化、分镜拆解、内容摘要等任务上，支持更长的上下文与更连续的时间线理解

● 长视频处理性能较传统模式提升 10 倍以上

2. 音频语义理解

● VITA 3.0 无需借助外部 ASR 等工具，可直接处理语音识别、音频内容总结等任务

● 这一能力区别于纯视觉的多模态模型

● 在面对带声音的视频时，模型能够直接"听懂并理解"，而非依赖前置的语音转写

3. 图文联合推理

● 支持图文关联性判断、图文内容联合识别、多图与文本的综合理解

● 在一段同时包含图像与文字的内容中，模型可判断图文是否一致、相互补充还是相互矛盾

● 基于联合信息得出结论，而非分别处理图与文后再拼接结果