1.摘要
background
近年来，多模态大语言模型（MLLM）在图像理解方面取得了显著进展。然而，要将这种智能扩展到视频领域则更具挑战性。这主要是因为视频引入了复杂的时序维度，并且高质量、大规模的视频-文本标注数据集相比图文数据更难获取、质量也更低。现有的视频MLLM通常受限于此。因此，本文旨在解决如何有效构建一个同时精通图像和视频理解的、更先进的多模态基础模型的问题。
innovation
本文的核心设计哲学是"以视觉为中心 (vision-centric)"，这个理念体现在训练范式和框架设计两个方面。
1. 视觉为中心的训练范式 ：不同于以往工作依赖海量视频数据，本文认为高质量的图文数据是实现卓越图像和视频理解的共同关键。因此，模型训练的前三个阶段都聚焦于利用大规模、高质量的图文数据来构建强大的通用视觉理解能力，在此基础上，最后一个阶段再专注于视频能力的提升。这样做的好处是充分利用了更容易获取且质量更高的图文数据，为视频理解打下了坚实的基础，这与那些早期就大量依赖视频数据的工作形成了鲜明对比。
2. 视觉为中心的框架设计 ：
任意分辨率视觉令牌化 (Any-resolution Vision Tokenization, AVT) ：通过引入旋转位置编码（RoPE）替换传统ViT中的固定位置编码，使视觉编码器能够处理任意分辨率和宽高比的图像输入，从而捕捉更细粒度的视觉细节，减少信息损失。
差分帧剪枝器 (Differential Frame Pruner, DiffFP) ：针对视频中相邻帧之间信息冗余的问题，该模块通过计算相邻帧对应图像块的相似度，剪枝掉冗余的视觉令牌。这使得视频的表示更紧凑、更精确，并显著节省了计算资源。
- 方法 Method
本文提出的VideoLLaMA 3模型，其整体流程（Pipeline）是"先通过大规模图文数据预训练，再通过视频数据微调"的四阶段训练范式。
模型由四个核心部分组成：一个视觉编码器 （基于SigLIP初始化）、一个视频压缩器 （即差分帧剪枝器DiffFP）、一个投影器 （简单的MLP）和一个大语言模型（Qwen2.5系列）。
训练分为四个阶段：
1.视觉编码器适配 (Vision Encoder Adaptation)
目标：使视觉编码器能处理动态分辨率的图像，并将其特征与LLM对齐。
做法：冻结LLM，仅训练视觉编码器和投影器。使用海量的场景图像、文档和文本图像数据。
输入：各种分辨率的图像。
输出：一个能生成可变数量视觉令牌、适应不同图像尺寸的视觉编码器。
2.视觉-语言对齐 (Vision-Language Alignment)
目标：向模型注入丰富的多模态知识。
做法：解冻模型的所有参数（编码器、投影器、LLM），在覆盖场景、文档、图表等多种类型的高质量、精细描述的图文数据上进行联合训练。
输入：详细的图文对数据。
输出：一个具备基础多模态理解能力的模型。
3.多任务微调 (Multi-task Fine-tuning)
目标：提升模型的指令遵循能力，并初步建立视频理解能力。
做法：使用图文和视频的指令微调数据（Instruction SFT data）进行训练。在这一阶段开始引入视频数据，并应用**差分帧剪枝器（DiffFP）**来高效处理视频。
输入：包含图像和视频的指令问答数据。
输出：一个能理解复杂指令并具备初步视频分析能力的模型。
4.以视频为中心的微调 (Video-centric Fine-tuning)
目标：将模型打造成一个视频理解的"专家"。
做法：解冻所有参数，主要使用大规模、高质量的视频指令数据（包括通用视频、流媒体视频、时序定位视频等）进行微调。同时加入少量图文和纯文本数据以防止"灾难性遗忘"。
输入：以视频-文本数据为主，少量图文数据为辅。
输出：最终的VideoLLaMA 3模型。
- 实验 Experimental Results
实验数据集
图像评测 ：涵盖四大类，包括1) 文档/图表/场景文本理解 (DocVQA, ChartQA, OCRBench), 2) 数学推理 (MathVista), 3) 多图理解 (MMMU), 4) 通用知识问答 (RealWorldQA, GQA, MME)。
视频评测 ：涵盖三大类，包括1) 通用视频理解 (VideoMME, MVBench), 2) 长视频理解 (MLVU, LongVideoBench), 3) 时序推理 (TempCompass, NextQA)。
实验结论
实验目的：全面评估VideoLLaMA 3在图像和视频理解任务上的性能，并与当前最先进的模型进行对比。
图像任务结论：无论是在2B还是7B规模上，VideoLLaMA 3在绝大多数图像基准测试中都取得了SOTA（State-of-the-Art）或极具竞争力的结果，尤其在OCR、数学推理和通用知识问答方面表现突出，超越了Qwen2-VL、InternVL2.5等强基线模型。
视频任务结论：模型同样展现了强大的视频理解能力。在通用视频问答、长视频理解和时序推理等多个核心维度上，均取得了SOTA性能，证明了其"视觉为中心"训练范式的有效性。
消融实验 ：为了验证视觉编码器的选择，论文对比了CLIP、DFN和SigLIP三个预训练模型。结果表明，SigLIP在各项任务中，尤其是在需要细粒度理解的文档问答（DocVQA）上，表现最优。这为选择SigLIP作为基础编码器提供了充分依据。
- 总结 Conclusion
VideoLLaMA 3是一个在图像和视频理解方面均达到SOTA水平的强大基础模型。其成功的核心在于创新的"以视觉为中心"方法论：首先利用海量、优质的图文数据构建一个极其稳固的通用视觉理解地基，然后在此之上高效地扩展出顶尖的视频理解能力。这种策略巧妙地绕开了行业内视频数据稀疏且质量不高的普遍痛点。