Dans cet article, nous lançons une initiative visant à développer un système de compréhension vidéo centré sur la conversation, dénommé VideoChat. Ce système intègre des modèles fondamentaux de vidéo et des grands modèles linguistiques grâce à une interface neuronale apprenable, se distinguant par sa capacité en raisonnement spatio-temporel, en localisation d'événements et en inférence de relations causales. Pour ajuster instructivement ce système, nous avons créé un ensemble de données instructif centré sur la vidéo, composé de milliers de vidéos associées à des descriptions détaillées et des conversations. Cet ensemble de données met l'accent sur le raisonnement spatio-temporel et capture les relations causales, offrant un atout précieux pour l'entraînement de notre système de compréhension vidéo centré sur la conversation. Des expériences qualitatives préliminaires montrent le potentiel de notre système dans une large gamme d'applications vidéo, qui pourrait servir de prototype simple pour des recherches futures sur la compréhension vidéo centrée sur la conversation. Accédez à notre code et nos données via le lien suivant : https://github.com/OpenGVLab/Ask-Anything