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。对此，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，推出了小时级的超长视频理解大模型Video-XL。
Video-XL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。Video-XL相较于同等参数规模的模型，在多个主流长视频理解基准评测的多项任务中排名第一 。此外，Video-XL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。
未来，Video-XL有望在电影摘要、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。
论文标题：Video-XL: Extra-Long Vision Language Model for Hour-Scale Video Understanding
模型链接：huggingface.co/sy1998/Vide...
项目链接：github.com/VectorSpace...
图一 不同长视频模型在单块80G显卡上支持的最大帧数及在Video-MME上的表现
背景介绍
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。
方法介绍
1、模型结构
图二 Video-XL模型结构图
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。
2、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|)。在下文中将详细介绍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。
3、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，为了灵活支持不同的压缩粒度，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。
4、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，涵盖电影、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。
实验
1、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。
2、评测结果
长视频理解：
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。
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。
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。
3、消融实验
表三 Video-XL的消融实验
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。****
可视化结果
图三 Video-XL 在长视频理解任务上的可视化结果
如图三所示，Video-XL 在电影摘要、视频异常检测、广告植入检测等长视频任务上展现了良好的性能。
总结
该工作提出了Video-XL模型，利用语言模型的压缩能力，仅需一块80G显卡即可理解小时级别的视频；除此之外，Video-XL在多个主流长视频理解基准评测上表现优异。Video-XL有望在多个长视频理解的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。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。