cambrian-p

Cambrian-P 是一个面向视频理解的多模态大语言模型，通过将人体姿态（pose）作为显式空间-时间锚点，实现对视频内容的细粒度语义解析。其核心功能包括姿态感知的视频问答、动作描述生成与时空推理，技术特点融合了视觉编码器、姿态嵌入模块与大语言模型，支持端到端联合训练。项目提供预训练模型、专用标注数据集（Cambrian-P-Data）及完整训练/评估代码，适用于需要结合人体运动结构理解视频意图的研究场景，如人机交互、行为分析和具身智能中的视觉-语言对齐任务。