根据Twitter用户@ak92501的消息，研究人员推出了STORM文本视频模型，将视频输入尺寸缩减至传统的八分之一，同时仍保持业界领先的性能。STORM模型在SigLIP视觉编码器和Qwen2-VL语言模型之间引入了Mamba层，有效整合视频帧间的时序信息。这一创新显著提升了模型效率和准确率，为视频内容处理和AI视频分析领域的企业带来更高效、低成本的人工智能解决方案，拓展了行业应用空间（来源：@ak92501，Twitter）。