一块显卡理解一部影片，最新超长视频理解大模型出炉，“大海捞针”准确率近95%，代码已开源

see122

仅需1块80G显卡，大模型理解小时级超长视频。

智源研究院联合上海交通大学、中国人民大学、北京大学和北京邮电大学等多所高校带来最新成果超长视频理解大模型Video-XL。

它借助语言模型（LLM）的原生能力对长视觉序列进行压缩，不仅保留了短视频理解的能力，而且在长视频理解上展现了出色的泛化能力。

相较于同等参数规模的模型，Video-XL在多个主流长视频理解基准评测的多项任务中排名第一。

而且在效率与性能之间实现了良好的平衡，仅需一块80G显存的显卡即可处理2048帧输入（对小时级长度视频采样），并在视频“海中捞针”任务中取得了接近95%的准确率。

△图一：不同长视频模型在单块80G显卡上支撑的最大帧数及在Video-MME上的表现

要知道，长视频理解是多模态大模型的核心能力之一，也是迈向通用人工智能（AGI）的关键一步。

然而，现有的多模态大模型在处理10分钟以上的超长视频时，仍然面临性能差和效率低的双重挑战。

Video-XL正是为此而来，模型代码均已开源。

仅需几秒钟，VideoXL便可以准确检索长视频中植入的广告内容（https://github.com/VectorSpaceLab/Video-XL/tree/main/examples），也可以像人类一样准确理解影片中发生的主要事件。本视频仅用于学术研究，如有问题，请随时联系。

未来，它有望在影片摘要、视频异常检测、广告植入检测等应用场景中展现出广泛的应用价值，成为得力的长视频理解助手。

超长视频理解难平衡性能和效率

使用MLLM进行长视频理解具有极大的研究和应用前景。然而，当前的视频理解模型往往只能处理较短的视频，无法处理十分钟以上的视频。

尽管最近研究社区出现了一些长视频理解模型，但这些工作主要存在以下问题：

压缩视觉token带来的信息损失：为了使语言模型的固定窗口长度适应长视频带来的大量视觉token，众多方法尝试设计机制对视觉token进行压缩，例如LLaMA-VID主要降低token的数量，而MovieChat, MALMM则设计memory模块对帧信息进行压缩。然而，压缩视觉信息不可避免带来信息的损失和性能降低。

性能和效率的不平衡：相关工作LongVA尝试finetune语言模型扩大其上下文窗口，并成功将短视频理解能力泛化到了长视频上。LongVila优化了长视频训练的开销，提出了高效训练长视频训练的范式。然而，这些工作并未考虑推理时视频帧数增加带来的计算开销。

建立统一视觉编码机制

模型结构

△

如图二所示，Video-XL的整体模型结构和主流的MLLMs结构相似，由视觉编码器（CLIP）, 视觉-语言映射器（2-layer MLP）以及语言模型（Qwen-7B）构成。

特别之处在于，为了处理各种格式的多模态数据（单图，多图和视频），Video-XL建立了一个统一的视觉编码机制。

针对多图和视频数据，将每帧分别输入CLIP；针对单图，将其划分为多个图像块，并将图像块输入CLIP进行编码。因此，一个N帧的视频或者一个N图像块的图片都将统一标记成 N × M 视觉tokens。

视觉上下文隐空间压缩

相比于以往长视频模型直接对视觉token压缩，Video-XL尝试利用语言模型对上下文的建模能力对长视觉序列进行无损压缩。对于视觉语言连接器输出的视觉信号序列：

其中n为视觉token的数量。Video-XL的目标在于将X压缩成更为紧凑的视觉表示C (|C| < |X|)。在下文中将详细先容视觉上下文隐空间压缩的原理。

受到Activation Beacon的启发，Video-XL引入了一种新的特殊标记，称为视觉摘要标记（VST）,记为 。基于此可以将视觉信号的隐层特征压缩到VST在LLM中的激活表示中（每层的Key和Value值）。具体而言，首先将视觉信号序列X分成大小为w的窗口（默认每个窗口长度为1440）：

接着，对每个窗口首先确定压缩比，并插入一组VST标记，以交替的方式在视觉标记序列中插入。在该过程中，视觉token表示的变化可以由以下公式表达：

LLM将逐个处理每个窗口进行编码，并使用额外的投影矩阵在每层自注意力模块中处理VST的隐藏值。编码完成后，普通视觉标记的激活值被丢弃，而VST的激活值被保留并累积，作为处理后续窗口时的视觉信号代理。

模型训练方式

Video-XL通过优化在压缩视觉信号下的生成质量来进行训练。下一个Token的预测通过以下公式进行计算：

其中，θ代表模型所有优化的参数，包含语言模型，视觉编码器、视觉语言连接器、VST的投影矩阵，以及VST的token embedding。模型通过最小化标准的自回归损失进行训练，训练过程中不计算VST标记的损失（其标签设为-100），因为它们仅用于压缩。同时，为了灵活支撑不同的压缩粒度，训练时每个窗口的压缩比会从{2,4,8,12,16}中随机抽取。在推理时，可以根据具体的效率需求选择一个压缩比并应用于所有窗口。

模型训练数据

在预训练阶段，Video-XL使用Laion-2M数据集优化视觉语言连接器。在微调阶段，Video-XL充分利用了MLLM在各种多模态数据集上的能力。对于单图像数据，使用了Bunny 695k和Sharegpt-4o的57k张图片。对于多图像数据，使用了从MMDU提取的5k个数据。对于视频数据，收集了不同时长的视频样本，包括来自NExT-QA的32k样本，Sharegpt-4o的2k视频样本，CinePile的10k样本以及11k个带有GPT-4V视频字幕注释的私有数据。

为了增强长视频理解能力并释放视觉压缩机制的潜力，本工作开发了一个自动化的长视频数据生产流程，并创建了一个高质量数据集——视觉线索顺序数据（VICO）。该流程首先从CinePile数据或YouTube等视频平台获取长视频，涵盖影片、纪录片、游戏、体育等开放领域的内容。每个长视频被分割成14秒的片段。对于每个片段，本工作使用VILA-1.5 40B模型生成详细描述。这些描述包括动作序列和关键事件，基于这些字幕，本工作利用ChatGPT将线索按时间顺序排列。VICO数据集通过要求模型检索关键帧并检测时间变化，提升其长视频理解能力。

单项任务超越GPT-4o

（一）评测基准

Video-XL选用多个主流视频理解评测基准，对于长视频理解任务，评测了VNBench, LongVideoBench, MLVU和Video-MME；对于短视频理解任务，评测了MVBench和Next-QA。

（二）评测结果

1、长视频理解：

△

△

如表一，表二所示Video-XL在多个主流的长视频评测基准上展现了卓越性能。其中在VNBench上准确率超过了目前最好的长视频模型大约10%。

在MLVU的验证集上，仅仅具有7B参数的Video-XL甚至在单项选择任务上超越了GPT-4o模型。而在Video-MME和LongVideoBench等数据集上，Video-XL也在同等量级规模的长视频理解模型中排名第一。

2、超长视频理解：

Video-XL通过进行了视频“大海捞针”测试来评估其处理超长上下文的能力。LLaVA-NexT-Video和LongLLaVA都采用了简单的位置信息外推算法，但在输入更多上下文时，仍然难以理解关键信息。

虽然LongVA通过微调LLM来处理更长的输入，但高昂的计算成本限制了其在单块80G GPU上处理约400帧的能力。相比之下，Video-XL在相同硬件条件下，以16倍压缩比和2048帧输入，达到了近95%的准确率。这表明，Video-XL在准确性和计算效率之间实现了最佳平衡。

3、短视频理解：

尽管Video-XL的设计主要面向长视频，但它保留了短视频理解的能力。在MVBench和Next-QA任务评测中，Video-XL取得了和目前SOTA模型相当的效果。

（三）消融实验

△

Video-XL对所提出的视觉压缩机制和VICO数据集进行了消融实验，如表三所示

1、视觉压缩的有效性:

Video-XL使用Bunny 695k数据集训练了两个模型：一个不使用压缩，另一个使用随机压缩比（从{2, 8, 16}中选取）。对于压缩模型，在视频基准MLVU和图像基准MME、MMBench上测试时应用了不同的压缩比。值得注意的是，即使使用16的压缩比，压缩模型在仍表现出较好的效果，接近甚至超越了基线模型。

2、VICO数据集的有效性:

Video-XL使用不同数据集训练了四个模型：(a) 仅使用Bunny 695k；(b) Bunny 695k结合NeXTQA 32k；(c) Bunny 695k结合CinePile 10k；(d) Bunny 695k结合长视频字幕5k；(e) Bunny 695k结合VICO 5k。值得注意的是，即使仅使用5k的VICO数据，Video-XL也超过了使用NeXTQA 32k训练的模型。此外，主要事件/动作排序任务比字幕生成任务带来了更显著的提升，因为它促使模型从长序列中提取关键片段并进行理解。

（四）可视化结果

△

目前。Video-XL的模型代码均已开源，以促进全球多模态视频理解研究社区的合作和技术共享。

论文链接：https://arxiv.org/abs/2409.14485模型链接：https://huggingface.co/sy1998/Video_XL项目链接：https://github.com/VectorSpaceLab/Video-XL

*本文系量子位获授权刊载，观点仅为编辑所有。


来源：36kr