一塊顯卡理解一部電影，最新超長(zhǎng)視頻理解大模型出爐！“大海撈針”準(zhǔn)確率近95%，代碼已開源

作者：量子位 2024-10-28 16:05:12

Video-XL的模型代碼均已開源，以促進(jìn)全球多模態(tài)視頻理解研究社區(qū)的合作和技術(shù)共享。

僅需1塊80G顯卡，大模型理解小時(shí)級(jí)超長(zhǎng)視頻。

智源研究院聯(lián)合上海交通大學(xué)、中國(guó)人民大學(xué)、北京大學(xué)和北京郵電大學(xué)等多所高校帶來最新成果超長(zhǎng)視頻理解大模型Video-XL。

它借助語(yǔ)言模型（LLM）的原生能力對(duì)長(zhǎng)視覺序列進(jìn)行壓縮，不僅保留了短視頻理解的能力，而且在長(zhǎng)視頻理解上展現(xiàn)了出色的泛化能力。

相較于同等參數(shù)規(guī)模的模型，Video-XL在多個(gè)主流長(zhǎng)視頻理解基準(zhǔn)評(píng)測(cè)的多項(xiàng)任務(wù)中排名第一。

而且在效率與性能之間實(shí)現(xiàn)了良好的平衡，僅需一塊80G顯存的顯卡即可處理2048幀輸入（對(duì)小時(shí)級(jí)長(zhǎng)度視頻采樣），并在視頻“海中撈針”任務(wù)中取得了接近95%的準(zhǔn)確率。

△圖一：不同長(zhǎng)視頻模型在單塊80G顯卡上支持的最大幀數(shù)及在Video-MME上的表現(xiàn)

要知道，長(zhǎng)視頻理解是多模態(tài)大模型的核心能力之一，也是邁向通用人工智能（AGI）的關(guān)鍵一步。

然而，現(xiàn)有的多模態(tài)大模型在處理10分鐘以上的超長(zhǎng)視頻時(shí)，仍然面臨性能差和效率低的雙重挑戰(zhàn)。

Video-XL正是為此而來，模型代碼均已開源。

僅需幾秒鐘，VideoXL便可以準(zhǔn)確檢索長(zhǎng)視頻中植入的廣告內(nèi)容（https://github.com/VectorSpaceLab/Video-XL/tree/main/examples），也可以像人類一樣準(zhǔn)確理解電影中發(fā)生的主要事件。本視頻僅用于學(xué)術(shù)研究，如有問題，請(qǐng)隨時(shí)聯(lián)系。

未來，它有望在電影摘要、視頻異常檢測(cè)、廣告植入檢測(cè)等應(yīng)用場(chǎng)景中展現(xiàn)出廣泛的應(yīng)用價(jià)值，成為得力的長(zhǎng)視頻理解助手。

超長(zhǎng)視頻理解難平衡性能和效率

使用MLLM進(jìn)行長(zhǎng)視頻理解具有極大的研究和應(yīng)用前景。然而，當(dāng)前的視頻理解模型往往只能處理較短的視頻，無法處理十分鐘以上的視頻。

盡管最近研究社區(qū)出現(xiàn)了一些長(zhǎng)視頻理解模型，但這些工作主要存在以下問題：

壓縮視覺token帶來的信息損失：為了使語(yǔ)言模型的固定窗口長(zhǎng)度適應(yīng)長(zhǎng)視頻帶來的大量視覺token，眾多方法嘗試設(shè)計(jì)機(jī)制對(duì)視覺token進(jìn)行壓縮，例如LLaMA-VID主要降低token的數(shù)量，而MovieChat, MALMM則設(shè)計(jì)memory模塊對(duì)幀信息進(jìn)行壓縮。然而，壓縮視覺信息不可避免帶來信息的損失和性能降低。

性能和效率的不平衡：相關(guān)工作LongVA嘗試finetune語(yǔ)言模型擴(kuò)大其上下文窗口，并成功將短視頻理解能力泛化到了長(zhǎng)視頻上。LongVila優(yōu)化了長(zhǎng)視頻訓(xùn)練的開銷，提出了高效訓(xùn)練長(zhǎng)視頻訓(xùn)練的范式。然而，這些工作并未考慮推理時(shí)視頻幀數(shù)增加帶來的計(jì)算開銷。

建立統(tǒng)一視覺編碼機(jī)制

模型結(jié)構(gòu)

△圖二：Video-XL模型結(jié)構(gòu)圖

如圖二所示，Video-XL的整體模型結(jié)構(gòu)和主流的MLLMs結(jié)構(gòu)相似，由視覺編碼器（CLIP）, 視覺-語(yǔ)言映射器（2-layer MLP）以及語(yǔ)言模型（Qwen-7B）構(gòu)成。

特別之處在于，為了處理各種格式的多模態(tài)數(shù)據(jù)（單圖，多圖和視頻），Video-XL建立了一個(gè)統(tǒng)一的視覺編碼機(jī)制。

針對(duì)多圖和視頻數(shù)據(jù)，將每幀分別輸入CLIP；針對(duì)單圖，將其劃分為多個(gè)圖像塊，并將圖像塊輸入CLIP進(jìn)行編碼。因此，一個(gè)N幀的視頻或者一個(gè)N圖像塊的圖片都將統(tǒng)一標(biāo)記成 N × M 視覺tokens。

視覺上下文隱空間壓縮

相比于以往長(zhǎng)視頻模型直接對(duì)視覺token壓縮，Video-XL嘗試?yán)谜Z(yǔ)言模型對(duì)上下文的建模能力對(duì)長(zhǎng)視覺序列進(jìn)行無損壓縮。對(duì)于視覺語(yǔ)言連接器輸出的視覺信號(hào)序列：

其中n為視覺token的數(shù)量。Video-XL的目標(biāo)在于將X壓縮成更為緊湊的視覺表示C (|C| < |X|)。在下文中將詳細(xì)介紹視覺上下文隱空間壓縮的原理。

受到Activation Beacon的啟發(fā)，Video-XL引入了一種新的特殊標(biāo)記，稱為視覺摘要標(biāo)記（VST）,記為。基于此可以將視覺信號(hào)的隱層特征壓縮到VST在LLM中的激活表示中（每層的Key和Value值）。具體而言，首先將視覺信號(hào)序列X分成大小為w的窗口（默認(rèn)每個(gè)窗口長(zhǎng)度為1440）：

接著，對(duì)每個(gè)窗口首先確定壓縮比，并插入一組VST標(biāo)記，以交替的方式在視覺標(biāo)記序列中插入。在該過程中，視覺token表示的變化可以由以下公式表達(dá)：

LLM將逐個(gè)處理每個(gè)窗口進(jìn)行編碼，并使用額外的投影矩陣在每層自注意力模塊中處理VST的隱藏值。編碼完成后，普通視覺標(biāo)記的激活值被丟棄，而VST的激活值被保留并累積，作為處理后續(xù)窗口時(shí)的視覺信號(hào)代理。

模型訓(xùn)練方式

Video-XL通過優(yōu)化在壓縮視覺信號(hào)下的生成質(zhì)量來進(jìn)行訓(xùn)練。下一個(gè)Token的預(yù)測(cè)通過以下公式進(jìn)行計(jì)算：

其中，θ代表模型所有優(yōu)化的參數(shù)，包含語(yǔ)言模型，視覺編碼器、視覺語(yǔ)言連接器、VST的投影矩陣，以及VST的token embedding。模型通過最小化標(biāo)準(zhǔn)的自回歸損失進(jìn)行訓(xùn)練，訓(xùn)練過程中不計(jì)算VST標(biāo)記的損失（其標(biāo)簽設(shè)為-100），因?yàn)樗鼈儍H用于壓縮。同時(shí)，為了靈活支持不同的壓縮粒度，訓(xùn)練時(shí)每個(gè)窗口的壓縮比會(huì)從{2,4,8,12,16}中隨機(jī)抽取。在推理時(shí)，可以根據(jù)具體的效率需求選擇一個(gè)壓縮比并應(yīng)用于所有窗口。

模型訓(xùn)練數(shù)據(jù)

在預(yù)訓(xùn)練階段，Video-XL使用Laion-2M數(shù)據(jù)集優(yōu)化視覺語(yǔ)言連接器。在微調(diào)階段，Video-XL充分利用了MLLM在各種多模態(tài)數(shù)據(jù)集上的能力。對(duì)于單圖像數(shù)據(jù)，使用了Bunny 695k和Sharegpt-4o的57k張圖片。對(duì)于多圖像數(shù)據(jù)，使用了從MMDU提取的5k個(gè)數(shù)據(jù)。對(duì)于視頻數(shù)據(jù)，收集了不同時(shí)長(zhǎng)的視頻樣本，包括來自NExT-QA的32k樣本，Sharegpt-4o的2k視頻樣本，CinePile的10k樣本以及11k個(gè)帶有GPT-4V視頻字幕注釋的私有數(shù)據(jù)。

為了增強(qiáng)長(zhǎng)視頻理解能力并釋放視覺壓縮機(jī)制的潛力，本工作開發(fā)了一個(gè)自動(dòng)化的長(zhǎng)視頻數(shù)據(jù)生產(chǎn)流程，并創(chuàng)建了一個(gè)高質(zhì)量數(shù)據(jù)集——視覺線索順序數(shù)據(jù)（VICO）。該流程首先從CinePile數(shù)據(jù)或YouTube等視頻平臺(tái)獲取長(zhǎng)視頻，涵蓋電影、紀(jì)錄片、游戲、體育等開放領(lǐng)域的內(nèi)容。每個(gè)長(zhǎng)視頻被分割成14秒的片段。對(duì)于每個(gè)片段，本工作使用VILA-1.5 40B模型生成詳細(xì)描述。這些描述包括動(dòng)作序列和關(guān)鍵事件，基于這些字幕，本工作利用ChatGPT將線索按時(shí)間順序排列。VICO數(shù)據(jù)集通過要求模型檢索關(guān)鍵幀并檢測(cè)時(shí)間變化，提升其長(zhǎng)視頻理解能力。

單項(xiàng)任務(wù)超越GPT-4o

（一）評(píng)測(cè)基準(zhǔn)

Video-XL選用多個(gè)主流視頻理解評(píng)測(cè)基準(zhǔn)，對(duì)于長(zhǎng)視頻理解任務(wù)，評(píng)測(cè)了VNBench, LongVideoBench, MLVU和Video-MME；對(duì)于短視頻理解任務(wù)，評(píng)測(cè)了MVBench和Next-QA。

（二）評(píng)測(cè)結(jié)果

1、長(zhǎng)視頻理解：

△表一 Video-XL在MLVU和VideoMME的性能

△表二 Video-XL在VNBench和LongVideoBench上的性能

如表一，表二所示Video-XL在多個(gè)主流的長(zhǎng)視頻評(píng)測(cè)基準(zhǔn)上展現(xiàn)了卓越性能。其中在VNBench上準(zhǔn)確率超過了目前最好的長(zhǎng)視頻模型大約10%。

在MLVU的驗(yàn)證集上，僅僅具有7B參數(shù)的Video-XL甚至在單項(xiàng)選擇任務(wù)上超越了GPT-4o模型。而在Video-MME和LongVideoBench等數(shù)據(jù)集上，Video-XL也在同等量級(jí)規(guī)模的長(zhǎng)視頻理解模型中排名第一。

2、超長(zhǎng)視頻理解：

Video-XL通過進(jìn)行了視頻“大海撈針”測(cè)試來評(píng)估其處理超長(zhǎng)上下文的能力。LLaVA-NexT-Video和LongLLaVA都采用了簡(jiǎn)單的位置信息外推算法，但在輸入更多上下文時(shí)，仍然難以理解關(guān)鍵信息。

雖然LongVA通過微調(diào)LLM來處理更長(zhǎng)的輸入，但高昂的計(jì)算成本限制了其在單塊80G GPU上處理約400幀的能力。相比之下，Video-XL在相同硬件條件下，以16倍壓縮比和2048幀輸入，達(dá)到了近95%的準(zhǔn)確率。這表明，Video-XL在準(zhǔn)確性和計(jì)算效率之間實(shí)現(xiàn)了最佳平衡。

3、短視頻理解：

盡管Video-XL的設(shè)計(jì)主要面向長(zhǎng)視頻，但它保留了短視頻理解的能力。在MVBench和Next-QA任務(wù)評(píng)測(cè)中，Video-XL取得了和目前SOTA模型相當(dāng)?shù)男Ч?/p>

（三）消融實(shí)驗(yàn)

△表三 Video-XL的消融實(shí)驗(yàn)

Video-XL對(duì)所提出的視覺壓縮機(jī)制和VICO數(shù)據(jù)集進(jìn)行了消融實(shí)驗(yàn)，如表三所示

1、視覺壓縮的有效性:

Video-XL使用Bunny 695k數(shù)據(jù)集訓(xùn)練了兩個(gè)模型：一個(gè)不使用壓縮，另一個(gè)使用隨機(jī)壓縮比（從{2, 8, 16}中選取）。對(duì)于壓縮模型，在視頻基準(zhǔn)MLVU和圖像基準(zhǔn)MME、MMBench上測(cè)試時(shí)應(yīng)用了不同的壓縮比。值得注意的是，即使使用16的壓縮比，壓縮模型在仍表現(xiàn)出較好的效果，接近甚至超越了基線模型。

2、VICO數(shù)據(jù)集的有效性:

Video-XL使用不同數(shù)據(jù)集訓(xùn)練了四個(gè)模型：(a) 僅使用Bunny 695k；(b) Bunny 695k結(jié)合NeXTQA 32k；(c) Bunny 695k結(jié)合CinePile 10k；(d) Bunny 695k結(jié)合長(zhǎng)視頻字幕5k；(e) Bunny 695k結(jié)合VICO 5k。值得注意的是，即使僅使用5k的VICO數(shù)據(jù)，Video-XL也超過了使用NeXTQA 32k訓(xùn)練的模型。此外，主要事件/動(dòng)作排序任務(wù)比字幕生成任務(wù)帶來了更顯著的提升，因?yàn)樗偈鼓Ｐ蛷拈L(zhǎng)序列中提取關(guān)鍵片段并進(jìn)行理解。