MILS是一个由Facebook Research发布的开源项目，旨在展示大型语言模型（LLMs）在未经过任何训练的情况下，能够处理视觉和听觉任务的能力。

Tarsier 是由字节跳动研究团队开发的一系列大规模视频语言模型，旨在生成高质量的视频描述，并具备强大的视频理解能力。

VidChapter是一个AI驱动的平台，可为YouTube和Vimeo视频生成时间戳章节、标签、标题和描述，简化内容优化过程。

SpotBuzz是一个使用AI技术为视频和图像生成描述的网页应用。