阿里发布了mPLUG-Owl3，可以在多模态大型语言模型中实现长图像序列理解，应用于比如需要结合图文知识、混合图文内容和处理长视频场景中。
mPLUG-Owl3特点：
长序列处理能力: 可以有效处理和理解包含多个图像的长序列，比如多图像推理、长视频理解和多文档问答等
高效的视觉-语言语义对齐: mPLUG-Owl3能够理解图像和文本之间的关系，并根据文本语义从图像序列中提取相关信息
干扰抵抗能力: 可以在干扰环境下保持关注，比如在包含大量无关图像的序列中，仍然能够准确地识别和理解目标图像
多模态能力:可以处理各种多模态任务，视觉问答、图像生成、图像描述、多模态对话等。
mPLUG-Owl3应用：
mPLUG-Owl3可以从检索系统中学习知识。
mPLUG-Owl3可以通过交错的图像文本上下文与用户聊天。
mPLUG-Owl3可以观看电影等长视频并记住其细节。
mPLUG-Owl3 Github 代码库：
