全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME-VideoOCR团队评估MLLM在视频OCR中的能力，构建精细任务体系和高质量数据集，揭示了当前模型的局限性，并提出了优化建议。
动态视频
高质量表情动图生成！用一张照片和音频，即能生成会说话的表情视频。
ComfyUI-IF_MemoAvatar是一款基于MEMO技术的插件，通过分析面部特征和音频生成富有表现力的表情丰富的动态视频。它支持Windows和Linux用户使用，并具备高质量视频输出、情感表达转移等特色功能。