【VLM】AdaCodec:用“预测视觉码”替代逐帧RGB输入

note

  • GOP = Group of Pictures(图像组),指视频中由一个 I-frame(关键参考帧) 和后续若干 P-frames(预测帧) 组成的一组连续帧
  • 研究动机:传统视频 MLLM 将每帧独立编码为视觉 Token,相邻帧大量内容重复,造成 Token 冗余、推理延迟高。作者借鉴视频编码中的 I/P 帧预测机制,只完整编码关键帧,其余帧仅保留变化信息。
  • 核心方法:
    • Adaptive GOP:根据相邻帧运动补偿后的预测误差(pcost),动态划分视频片段;误差过大则插入新的 I-frame。
    • I-frame 编码:使用原始 ViT 提取完整视觉特征,每帧约 256 Tokens。
    • P-frame 编码:通过块匹配计算运动向量(2通道)和像素残差(3通道),拼接成5通道输入,经轻量 P-tokenizer 压缩至 16 Tokens/帧。
  • 两阶段训练:
    • Stage 1:视觉特征蒸馏。先通过冻结视觉教师的特征蒸馏训练 P-tokenizer。
      • 使用冻结的视觉编码器提取目标帧特征,训练 P-tokenizer 和辅助预测器,让压缩后的 P-tokens 配合参考帧信息,尽可能恢复目标帧的视觉语义特征。这里恢复的是特征,不是 RGB 像素。
    • Stage 2:多模态对齐。再冻结视觉模块、仅微调 LLM,完成视频问答对齐。
      • 将 I-tokens 与 P-tokens 按时间顺序输入 LLM,通过多模态训练,让语言模型学会利用这种新视觉表示进行问答。
  • 实验结果:基于 Qwen3-VL-8B,在11个视频理解基准上验证:视觉 Token 减少 84.7%;TTFT:9.26s → 1.62s;端到端延迟:11.18s → 3.20s;5项通用视频基准平均分:74.0 → 75.7。
  • 技术评价:本质是将传统视频压缩的"关键帧 + 运动补偿 + 残差"思想迁移到 MLLM 的视觉 Token 表征层。区别于均匀抽帧或 Token Pruning,AdaCodec 直接消除跨帧冗余,在保留时序变化信息的同时降低推理成本。局限是需要额外训练 P-tokenizer 和适配 LLM,且尚未验证流式视频场景。
  • AdaCodec 的核心创新不是直接对 256 个视觉 Tokens 做剪枝,而是先利用运动补偿消除视频时间冗余,再通过可训练的 P-tokenizer,把帧间变化聚合成 16 个视觉 Tokens。

文章目录

    • note
    • 结论
    • [一、研究动机:逐帧 RGB 输入的问题不是"帧多",而是"重复信息多"](#一、研究动机:逐帧 RGB 输入的问题不是“帧多”,而是“重复信息多”)
    • [二、核心方法:预测代价决定 I 帧位置,运动与残差组成 P-token](#二、核心方法:预测代价决定 I 帧位置,运动与残差组成 P-token)
      • [2.1 整体流程](#2.1 整体流程)
      • [2.2 自适应 GOP:何时重置 I 帧?](#2.2 自适应 GOP:何时重置 I 帧?)
      • [2.3 双分支接口:I 帧提供状态,P-token 提供变化](#2.3 双分支接口:I 帧提供状态,P-token 提供变化)
      • [2.4 完整推理流程](#2.4 完整推理流程)
      • [2.5 P-tokenizer 内部如何压缩成 16 Tokens](#2.5 P-tokenizer 内部如何压缩成 16 Tokens)
    • [三、训练方法:先让 P-token 能重建目标帧的视觉特征,再学习多模态问答](#三、训练方法:先让 P-token 能重建目标帧的视觉特征,再学习多模态问答)
      • [第一阶段:让 P-token 对齐冻结视觉教师](#第一阶段:让 P-token 对齐冻结视觉教师)
      • [第二阶段:冻结视觉侧,训练 LLM 使用预测视觉码](#第二阶段:冻结视觉侧,训练 LLM 使用预测视觉码)
      • 两阶段训练流程图
    • [四、实验结果:AdaCodec 在多个预算下形成性能---效率优势](#四、实验结果:AdaCodec 在多个预算下形成性能—效率优势)
      • [4.1 三个长视频基准:32k 跨过 224k 基线](#4.1 三个长视频基准:32k 跨过 224k 基线)
      • [4.2 预算扫描:优势跨越多个 token 规模](#4.2 预算扫描:优势跨越多个 token 规模)
      • [4.3 时序、通用视频与感知基准](#4.3 时序、通用视频与感知基准)
    • 五、效率结果:准确率与响应速度同时改善
      • [5.1 主要效率指标](#5.1 主要效率指标)
      • [5.2 延迟收益从何而来?](#5.2 延迟收益从何而来?)
    • [六、消融实验:P-token 的价值来自"预测变化",而不是再给模型看一张小图](#六、消融实验:P-token 的价值来自“预测变化”,而不是再给模型看一张小图)
      • [6.1 为什么不用低分辨率 RGB?](#6.1 为什么不用低分辨率 RGB?)
      • [6.2 为什么不是 RGB 信息越多越好?](#6.2 为什么不是 RGB 信息越多越好?)
      • [6.3 压缩率为什么没有达到理论最小值?](#6.3 压缩率为什么没有达到理论最小值?)
    • 七、综合评价
    • Reference

结论

AdaCodec:面向视频 MLLM 的预测式视觉 Token 压缩

AdaCodec: A Predictive Visual Code for Video MLLMs

AdaCodec 的核心创新不是"少抽帧",也不是把视频文件压缩得更小,而是改变了视频进入多模态大模型的方式:

  • 预测代价低的帧:不再完整编码,只传运动向量和 RGB 残差;
  • 预测代价高的帧:作为完整参考帧,进入原生 ViT;
  • LLM 看到的不是一串彼此独立的 RGB 帧,而是"参考状态+时间变化"交错的视觉代码。

因此,AdaCodec 同时获得三项收益:

  1. 节省 token:平均只保留约 15.4% 的视觉 token;
  2. 降低延迟:通用评测中,首 token 时间由 9.26 秒降至 1.62 秒;
  3. 保持或提高准确率:五项通用视频基准平均分由 74.0 提高到 75.7。

最强的一组结果来自长视频:AdaCodec 只使用 32k 视觉 token ,即在约七分之一预算下,仍然超过逐帧 RGB 的 224k 基线。

**看图指引:**先看论文 Figure 2,重点看左侧的宏块运动估计、右侧的 I/P 双分支编码,以及视觉 token 如何按时间顺序送入 LLM。这张图可以一次性建立对 AdaCodec 的整体理解。


一、研究动机:逐帧 RGB 输入的问题不是"帧多",而是"重复信息多"

视频相邻帧通常共享大量对象、背景和画面布局。逐帧 RGB 编码会把先前帧已经表达过的信息反复送入语言模型,造成三重问题:

问题 具体表现
上下文冗余 稳定背景和重复对象反复占据视觉前缀
采样矛盾 稀疏采样容易漏掉短时动作,密集采样则增加 token 和延迟
成本增长 视觉 token 数量大致随采样帧数线性增长

现有高效视频 MLLM 方法主要分为三类:

  1. 选择或下采样更少帧;
  2. 在 ViT 之后压缩、合并或剪枝 token;
  3. 使用记忆、长上下文或在线状态管理历史信息。

这些路线都能降低部分成本,但它们有一个共同前提:保留下来的每一帧仍然是一张独立 RGB 图像。

AdaCodec 的切入点更直接:如果当前帧的大部分内容可以由前一帧预测,就不必再向 LLM 发送一个完整 RGB 帧;只有当预测失败时,才插入新的完整参考帧。

**看图指引:**可结合论文 Figure 1 和相关工作,重点关注表格中对"帧选择、token 压缩、记忆方法"的分类。阅读时要区分两条路线:

  • 如何减少 RGB 帧数量或 token 数量
  • 是否改变 RGB 帧这一基本视觉接口

AdaCodec 属于后者。

为什么不直接复用传统视频编解码器?

传统视频编解码器也使用 I 帧和 P 帧,但其目标是:

  • 生成标准兼容的比特流;
  • 降低传输码率;
  • 保证人类观看时具有较好的重建质量。

AdaCodec 的目标完全不同:它生成的是给 LLM 消费的视觉 token ,优化的是理解性能、上下文预算和推理延迟,而不是可播放视频的压缩率。因此,论文对宏块划分、运动参考、搜索窗口、GOP 调度等机制进行了重新设计。

重要边界:"视觉 token 减少 84.7%"不能改写成"视频文件体积压缩 84.7%"。AdaCodec 输出的不是标准视频比特流。


二、核心方法:预测代价决定 I 帧位置,运动与残差组成 P-token

2.1 整体流程

AdaCodec 把视频组织成若干自适应 GOP:

  • GOP 的第一帧是 I 帧;
  • 后续帧是 P 帧;
  • 每个 P 帧从前一采样帧估计运动和残差;
  • 当预测代价超过阈值时,从当前帧开始新的 GOP。

I 帧编码

I 帧使用原生 ViT 编码,获得完整空间表征,承担对象、背景和布局等参考信息。论文中,I 帧输出 256 个视觉 token。

P 帧编码

对当前宏块,AdaCodec 在前一采样帧的局部搜索窗中寻找最匹配的参考块,同时考虑像素差异和位移惩罚:

  • 运动向量:当前块相对于参考块的位移;
  • 残差:当前块与预测块之间的像素差异;
  • P 帧输入:残差图和运动场拼接成五通道输入;
  • P-token:经 P-tokenizer 后输出 16 个 token。

因此,I 帧与 P 帧的 token 数量比为:256:16=16:1

看图指引:看论文 Figure 2 中的局部块匹配部分,重点观察:

  • 运动向量如何从前一采样帧指向当前帧;
  • 当前块如何由参考块和残差重建;
  • P 帧携带的是"变化",而不是完整场景。

2.2 自适应 GOP:何时重置 I 帧?

AdaCodec 不是每隔固定几帧插入一个 I 帧,而是利用运动估计产生的预测代价进行决策:

  • 当前帧可以由前一帧较准确预测:继续作为 P 帧;
  • 当前帧难以预测:预测代价超过阈值 γ,重置新的 I 帧;
  • 第一帧始终作为 I 帧。

阈值在训练划分上调整,目标为"每个 GOP 的中位数包含 8 个 P 帧";预测链上限设为 16 个 P 帧。

这种设计使预算由固定时间轴分配,转向按预测难度动态分配:

  • 异常识别等稳定视频:GOP 可以较长;
  • 第一视角、频繁切换或快速运动视频:I 帧重置更频繁;
  • 静态片段:持续使用低成本 P-token。

看图指引:查看论文 Table 3 和 Figure 4。重点比较不同视频类别的平均 GOP 长度,尤其是:

  • 异常识别:16.69
  • 教程类:12.22
  • 第一视角:9.07

这解释了 AdaCodec 的压缩率为什么不是视频级别的固定值。

2.3 双分支接口:I 帧提供状态,P-token 提供变化

视觉单元 输入 编码方式 Token 数量 主要作用
I 帧 完整 RGB 帧 原生 ViT 256 建立完整视觉参考状态
P 帧 运动向量+残差 P-tokenizer 16 描述位置、对象和运动变化
最终输入 I/P 交错的视觉代码 按时间顺序送入 LLM 动态变化 形成"参考状态+时序变化"的序列

AdaCodec 不是用一张小图简单替代全分辨率 RGB 图,而是把两种不同性质的信息分开表达:

  • 空间完整性优先给 I 帧;
  • 时序变化优先给 P 帧。

LLM 需要学习的信息也由"每帧都是新场景"转变为"在当前参考状态下发生了什么变化"。

2.4 完整推理流程

#mermaid-svg-KYdLE79Y7XlbLIdK{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-KYdLE79Y7XlbLIdK .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-KYdLE79Y7XlbLIdK .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-KYdLE79Y7XlbLIdK .error-icon{fill:#552222;}#mermaid-svg-KYdLE79Y7XlbLIdK .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-KYdLE79Y7XlbLIdK .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-KYdLE79Y7XlbLIdK .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-KYdLE79Y7XlbLIdK .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-KYdLE79Y7XlbLIdK .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-KYdLE79Y7XlbLIdK .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-KYdLE79Y7XlbLIdK .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-KYdLE79Y7XlbLIdK .marker{fill:#333333;stroke:#333333;}#mermaid-svg-KYdLE79Y7XlbLIdK .marker.cross{stroke:#333333;}#mermaid-svg-KYdLE79Y7XlbLIdK svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-KYdLE79Y7XlbLIdK p{margin:0;}#mermaid-svg-KYdLE79Y7XlbLIdK .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-KYdLE79Y7XlbLIdK .cluster-label text{fill:#333;}#mermaid-svg-KYdLE79Y7XlbLIdK .cluster-label span{color:#333;}#mermaid-svg-KYdLE79Y7XlbLIdK .cluster-label span p{background-color:transparent;}#mermaid-svg-KYdLE79Y7XlbLIdK .label text,#mermaid-svg-KYdLE79Y7XlbLIdK span{fill:#333;color:#333;}#mermaid-svg-KYdLE79Y7XlbLIdK .node rect,#mermaid-svg-KYdLE79Y7XlbLIdK .node circle,#mermaid-svg-KYdLE79Y7XlbLIdK .node ellipse,#mermaid-svg-KYdLE79Y7XlbLIdK .node polygon,#mermaid-svg-KYdLE79Y7XlbLIdK .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-KYdLE79Y7XlbLIdK .rough-node .label text,#mermaid-svg-KYdLE79Y7XlbLIdK .node .label text,#mermaid-svg-KYdLE79Y7XlbLIdK .image-shape .label,#mermaid-svg-KYdLE79Y7XlbLIdK .icon-shape .label{text-anchor:middle;}#mermaid-svg-KYdLE79Y7XlbLIdK .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-KYdLE79Y7XlbLIdK .rough-node .label,#mermaid-svg-KYdLE79Y7XlbLIdK .node .label,#mermaid-svg-KYdLE79Y7XlbLIdK .image-shape .label,#mermaid-svg-KYdLE79Y7XlbLIdK .icon-shape .label{text-align:center;}#mermaid-svg-KYdLE79Y7XlbLIdK .node.clickable{cursor:pointer;}#mermaid-svg-KYdLE79Y7XlbLIdK .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-KYdLE79Y7XlbLIdK .arrowheadPath{fill:#333333;}#mermaid-svg-KYdLE79Y7XlbLIdK .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-KYdLE79Y7XlbLIdK .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-KYdLE79Y7XlbLIdK .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-KYdLE79Y7XlbLIdK .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-KYdLE79Y7XlbLIdK .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-KYdLE79Y7XlbLIdK .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-KYdLE79Y7XlbLIdK .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-KYdLE79Y7XlbLIdK .cluster text{fill:#333;}#mermaid-svg-KYdLE79Y7XlbLIdK .cluster span{color:#333;}#mermaid-svg-KYdLE79Y7XlbLIdK div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-KYdLE79Y7XlbLIdK .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-KYdLE79Y7XlbLIdK rect.text{fill:none;stroke-width:0;}#mermaid-svg-KYdLE79Y7XlbLIdK .icon-shape,#mermaid-svg-KYdLE79Y7XlbLIdK .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-KYdLE79Y7XlbLIdK .icon-shape p,#mermaid-svg-KYdLE79Y7XlbLIdK .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-KYdLE79Y7XlbLIdK .icon-shape .label rect,#mermaid-svg-KYdLE79Y7XlbLIdK .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-KYdLE79Y7XlbLIdK .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-KYdLE79Y7XlbLIdK .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-KYdLE79Y7XlbLIdK :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 是
否
输入:视频 V + 用户问题 Q
视频抽帧:得到时间序列 x0, x1, ..., xT
初始化:x0 设为 I-frame
逐帧处理 xt
与前一采样帧 xt-1 做 Block Matching
计算运动向量 M 与 RGB 残差 R
汇总块匹配预测代价 pcost
pcost > 阈值 γ

或 GOP 达到长度上限?
开启新 GOP:当前帧设为 I-frame
当前帧设为 P-frame
RGB 图像 → 原始 ViT
输出 256 I-Tokens
拼接 R(3通道) + M(2通道)
5通道张量 → P-tokenizer
输出 16 P-Tokens
按时间顺序拼接 I-Tokens 与 P-Tokens
加入问题 Q,输入 LLM
LLM Prefill + Decode
输出视频问答结果

2.5 P-tokenizer 内部如何压缩成 16 Tokens

#mermaid-svg-KLax6X5TTtTP4PP7{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-KLax6X5TTtTP4PP7 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-KLax6X5TTtTP4PP7 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-KLax6X5TTtTP4PP7 .error-icon{fill:#552222;}#mermaid-svg-KLax6X5TTtTP4PP7 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-KLax6X5TTtTP4PP7 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-KLax6X5TTtTP4PP7 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-KLax6X5TTtTP4PP7 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-KLax6X5TTtTP4PP7 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-KLax6X5TTtTP4PP7 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-KLax6X5TTtTP4PP7 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-KLax6X5TTtTP4PP7 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-KLax6X5TTtTP4PP7 .marker.cross{stroke:#333333;}#mermaid-svg-KLax6X5TTtTP4PP7 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-KLax6X5TTtTP4PP7 p{margin:0;}#mermaid-svg-KLax6X5TTtTP4PP7 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-KLax6X5TTtTP4PP7 .cluster-label text{fill:#333;}#mermaid-svg-KLax6X5TTtTP4PP7 .cluster-label span{color:#333;}#mermaid-svg-KLax6X5TTtTP4PP7 .cluster-label span p{background-color:transparent;}#mermaid-svg-KLax6X5TTtTP4PP7 .label text,#mermaid-svg-KLax6X5TTtTP4PP7 span{fill:#333;color:#333;}#mermaid-svg-KLax6X5TTtTP4PP7 .node rect,#mermaid-svg-KLax6X5TTtTP4PP7 .node circle,#mermaid-svg-KLax6X5TTtTP4PP7 .node ellipse,#mermaid-svg-KLax6X5TTtTP4PP7 .node polygon,#mermaid-svg-KLax6X5TTtTP4PP7 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-KLax6X5TTtTP4PP7 .rough-node .label text,#mermaid-svg-KLax6X5TTtTP4PP7 .node .label text,#mermaid-svg-KLax6X5TTtTP4PP7 .image-shape .label,#mermaid-svg-KLax6X5TTtTP4PP7 .icon-shape .label{text-anchor:middle;}#mermaid-svg-KLax6X5TTtTP4PP7 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-KLax6X5TTtTP4PP7 .rough-node .label,#mermaid-svg-KLax6X5TTtTP4PP7 .node .label,#mermaid-svg-KLax6X5TTtTP4PP7 .image-shape .label,#mermaid-svg-KLax6X5TTtTP4PP7 .icon-shape .label{text-align:center;}#mermaid-svg-KLax6X5TTtTP4PP7 .node.clickable{cursor:pointer;}#mermaid-svg-KLax6X5TTtTP4PP7 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-KLax6X5TTtTP4PP7 .arrowheadPath{fill:#333333;}#mermaid-svg-KLax6X5TTtTP4PP7 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-KLax6X5TTtTP4PP7 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-KLax6X5TTtTP4PP7 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-KLax6X5TTtTP4PP7 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-KLax6X5TTtTP4PP7 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-KLax6X5TTtTP4PP7 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-KLax6X5TTtTP4PP7 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-KLax6X5TTtTP4PP7 .cluster text{fill:#333;}#mermaid-svg-KLax6X5TTtTP4PP7 .cluster span{color:#333;}#mermaid-svg-KLax6X5TTtTP4PP7 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-KLax6X5TTtTP4PP7 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-KLax6X5TTtTP4PP7 rect.text{fill:none;stroke-width:0;}#mermaid-svg-KLax6X5TTtTP4PP7 .icon-shape,#mermaid-svg-KLax6X5TTtTP4PP7 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-KLax6X5TTtTP4PP7 .icon-shape p,#mermaid-svg-KLax6X5TTtTP4PP7 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-KLax6X5TTtTP4PP7 .icon-shape .label rect,#mermaid-svg-KLax6X5TTtTP4PP7 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-KLax6X5TTtTP4PP7 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-KLax6X5TTtTP4PP7 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-KLax6X5TTtTP4PP7 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 当前 P-frame xt
运动估计 + 残差计算
前一采样帧 xt-1
运动向量 M:H×W×2
RGB 残差 R:H×W×3
Concat:H×W×5
5通道 Patch Embedding
Patch Tokens
16个可学习 Latent Tokens
ViT Transformer
Patch Token 输出
16个 Latent Token 输出
不传给 LLM
P-Tokens + 时间位置编码
送入 LLM 视觉输入序列


三、训练方法:先让 P-token 能重建目标帧的视觉特征,再学习多模态问答

AdaCodec 采用两阶段训练,避免视觉表征学习与多模态指令学习相互干扰。

第一阶段:让 P-token 对齐冻结视觉教师

第一阶段训练 P-tokenizer 和辅助预测器,目标是:

给定 I 帧和 P 帧的运动、残差信息,预测目标 RGB 帧在冻结教师编码器中的视觉特征。

损失由两部分组成:

  • L1 损失:约束目标特征与预测特征的逐维接近程度;
  • 余弦损失:约束两者方向一致。

这一步非常关键。AdaCodec 并不要求 P-token 重建出"人眼可观看的像素",而是要求它能够在 LLM 使用的视觉特征空间中描述目标帧。

第二阶段:冻结视觉侧,训练 LLM 使用预测视觉码

第二阶段使用时间顺序交错的视觉代码,配合问题和答案进行自回归训练。训练时:

  • 冻结视觉侧;
  • 训练语言模型阅读预测视觉代码;
  • 数据混合包含 3,904,313 条样本。

训练过程先使用 64k 视觉 token 预算 训练 40,000 步 ,再在 224k 预算 下训练 5,000 步。

这种解耦带来两个优势:

  1. P-token 先建立稳定的视觉预测语义;
  2. LLM 再学习如何基于变化信号进行问答和时间推理。

相应代价是:第二阶段无法反向修复第一阶段遗漏的视觉表征问题。

两阶段训练流程图

推理阶段只需要 I-frame Encoder、P-tokenizer 和 LLM。但 P-tokenizer 不能未经训练就直接将视觉信息压缩为有用的 16 Tokens。
#mermaid-svg-vDNVmFHAaQzbWMWA{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-vDNVmFHAaQzbWMWA .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-vDNVmFHAaQzbWMWA .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-vDNVmFHAaQzbWMWA .error-icon{fill:#552222;}#mermaid-svg-vDNVmFHAaQzbWMWA .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-vDNVmFHAaQzbWMWA .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-vDNVmFHAaQzbWMWA .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-vDNVmFHAaQzbWMWA .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-vDNVmFHAaQzbWMWA .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-vDNVmFHAaQzbWMWA .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-vDNVmFHAaQzbWMWA .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-vDNVmFHAaQzbWMWA .marker{fill:#333333;stroke:#333333;}#mermaid-svg-vDNVmFHAaQzbWMWA .marker.cross{stroke:#333333;}#mermaid-svg-vDNVmFHAaQzbWMWA svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-vDNVmFHAaQzbWMWA p{margin:0;}#mermaid-svg-vDNVmFHAaQzbWMWA .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-vDNVmFHAaQzbWMWA .cluster-label text{fill:#333;}#mermaid-svg-vDNVmFHAaQzbWMWA .cluster-label span{color:#333;}#mermaid-svg-vDNVmFHAaQzbWMWA .cluster-label span p{background-color:transparent;}#mermaid-svg-vDNVmFHAaQzbWMWA .label text,#mermaid-svg-vDNVmFHAaQzbWMWA span{fill:#333;color:#333;}#mermaid-svg-vDNVmFHAaQzbWMWA .node rect,#mermaid-svg-vDNVmFHAaQzbWMWA .node circle,#mermaid-svg-vDNVmFHAaQzbWMWA .node ellipse,#mermaid-svg-vDNVmFHAaQzbWMWA .node polygon,#mermaid-svg-vDNVmFHAaQzbWMWA .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-vDNVmFHAaQzbWMWA .rough-node .label text,#mermaid-svg-vDNVmFHAaQzbWMWA .node .label text,#mermaid-svg-vDNVmFHAaQzbWMWA .image-shape .label,#mermaid-svg-vDNVmFHAaQzbWMWA .icon-shape .label{text-anchor:middle;}#mermaid-svg-vDNVmFHAaQzbWMWA .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-vDNVmFHAaQzbWMWA .rough-node .label,#mermaid-svg-vDNVmFHAaQzbWMWA .node .label,#mermaid-svg-vDNVmFHAaQzbWMWA .image-shape .label,#mermaid-svg-vDNVmFHAaQzbWMWA .icon-shape .label{text-align:center;}#mermaid-svg-vDNVmFHAaQzbWMWA .node.clickable{cursor:pointer;}#mermaid-svg-vDNVmFHAaQzbWMWA .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-vDNVmFHAaQzbWMWA .arrowheadPath{fill:#333333;}#mermaid-svg-vDNVmFHAaQzbWMWA .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-vDNVmFHAaQzbWMWA .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-vDNVmFHAaQzbWMWA .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-vDNVmFHAaQzbWMWA .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-vDNVmFHAaQzbWMWA .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-vDNVmFHAaQzbWMWA .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-vDNVmFHAaQzbWMWA .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-vDNVmFHAaQzbWMWA .cluster text{fill:#333;}#mermaid-svg-vDNVmFHAaQzbWMWA .cluster span{color:#333;}#mermaid-svg-vDNVmFHAaQzbWMWA div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-vDNVmFHAaQzbWMWA .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-vDNVmFHAaQzbWMWA rect.text{fill:none;stroke-width:0;}#mermaid-svg-vDNVmFHAaQzbWMWA .icon-shape,#mermaid-svg-vDNVmFHAaQzbWMWA .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-vDNVmFHAaQzbWMWA .icon-shape p,#mermaid-svg-vDNVmFHAaQzbWMWA .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-vDNVmFHAaQzbWMWA .icon-shape .label rect,#mermaid-svg-vDNVmFHAaQzbWMWA .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-vDNVmFHAaQzbWMWA .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-vDNVmFHAaQzbWMWA .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-vDNVmFHAaQzbWMWA :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} Stage 2:多模态对齐
视频 + 问答训练数据
冻结 I-frame Encoder 和 P-tokenizer
生成 I/P 混合视觉 Tokens
可训练 LLM
Next Token Prediction Loss
Stage 1:视觉特征对齐
反向传播
反向传播
训练视频:参考帧、P-frames、目标帧
冻结 Teacher ViT 提取目标帧特征
运动向量 + 残差
可训练 P-tokenizer
16个 P-Tokens
参考帧 I-Tokens
辅助特征预测器 H
预测目标帧视觉特征
Feature Alignment Loss
移除辅助特征预测器


四、实验结果:AdaCodec 在多个预算下形成性能---效率优势

4.1 三个长视频基准:32k 跨过 224k 基线

长视频基准 RGB 基线,224k AdaCodec,32k AdaCodec,224k
MLVU 62.2 62.7 65.3
LongVideoBench 62.4 63.2 67.8
LVBench 58.0 58.2 58.4

三个任务中,32k AdaCodec 均已超过 224k RGB 基线;224k AdaCodec 进一步扩大了 LongVideoBench 上的优势。

看图指引:重点查看论文 Table 2。建议同时横向比较:

  • 32k AdaCodec 与 224k RGB 基线;
  • 224k AdaCodec 与 224k RGB 基线。

不要只关注单个任务,应比较三个长视频任务的收益稳定性。

这项结果说明,AdaCodec 并非依靠偶然取得某一组高分,而是在不同长视频任务上形成了一致的预算效率优势。但收益幅度并不完全相同:LongVideoBench 的改进明显,LVBench 的改进则相对较小。

4.2 预算扫描:优势跨越多个 token 规模

论文在 MLVU、LongVideoBench 和 LVBench 上比较 32k、64k、128k、224k 四种预算。AdaCodec 在全部预算下均优于逐帧 RGB 基线,且 32k 已超过 RGB 的 224k 结果。

这比"只在某一个预算点取得更好结果"更有说服力,说明优势来自视觉接口设计,而不是单一运行点调参。

看图指引:查看论文中的预算扫描曲线。重点观察两条信息:

  1. AdaCodec 与 RGB 基线的差距是否随预算变化而缩小;
  2. 不同长视频任务是否具有一致趋势。

需要注意,论文没有把其他压缩方法全部纳入同一组密集预算曲线,因此目前证据只能支持"相对于论文设定的 RGB 基线更优",不能据此直接宣布对所有视频压缩方法形成绝对优势。

4.3 时序、通用视频与感知基准

任务类别 AdaCodec,32k AdaCodec,224k
TempCompass 75.8 75.9
MotionBench 58.8 59.9
TOMATO 39.8 40.0
Video-MME 75.0 75.5
MVBench 75.3 76.6
NExT-QA 83.1 84.2
PerceptionTest 75.1 80.5
EgoSchema 70.2 70.4

在匹配 token 预算时,论文还通过提高采样密度更充分地利用预算。因此,224k 条件下的部分增益同时包含:

  • P-token 节省出来的上下文余量;
  • 同一总预算下更密集的时间采样。

所以,这部分结果更准确的结论是:AdaCodec 提供了增加时间覆盖的空间,而且 P-token 足以避免冗余 RGB 信息抵消这一收益。


五、效率结果:准确率与响应速度同时改善

5.1 主要效率指标

论文对 11,347 段通用评测视频进行了效率统计:

指标 RGB 基线 AdaCodec 变化
平均每视频视觉 token 55,893.2 8,550.4 -84.7%
相对 token 比例 100% 约 15.3% ---
Codec 构建时间 --- 0.12 秒 CPU 新增开销
首 token 时间,TTFT 9.26 秒 1.62 秒 约 -82.5%
端到端延迟,E2EL 11.18 秒 3.20 秒 约 -71.4%
峰值显存 34.6 GB 36.5 GB +1.9 GB
五项通用基准平均分 74.0 75.7 +1.7

这组结果的关键不是单纯更快,而是更少 token、更高平均分、更低 TTFT三者同时成立。

看图指引:查看论文 Table 4。建议优先关注:

  • 视觉 token 下降幅度;
  • TTFT 与端到端延迟的下降幅度;
  • 平均分是否同步提高。

三者必须同时成立,才能称为真正的 Pareto 改进。

5.2 延迟收益从何而来?

延迟改善的直接原因是视觉前缀显著缩短,LLM 需要预填充的内容减少。实验环境为:

  • 单卡 H800;
  • Codec 构建使用 16 核 CPU;
  • Codec 构建平均耗时 0.12 秒。

0.12 秒相对 9.26 秒到 1.62 秒的主要收益较小,但这只是论文的单机实验环境。真实服务中还需要考虑:

  • 视频是否已经解码;
  • CPU 与 GPU 能否流水化;
  • 预处理与推理是否存在排队;
  • 批量、分辨率和并发条件;
  • P99 尾延迟与吞吐。

因此,当前数据适合证明接口具有明确优势,但不能直接代表高并发服务中的最终系统收益。


六、消融实验:P-token 的价值来自"预测变化",而不是再给模型看一张小图

论文在保持 GOP 覆盖条件基本匹配的情况下,比较不同 P 帧输入方案:

P 帧方案 长视频平均 时序平均 通用平均
仅 I 帧 52.7 48.5 68.2
全 RGB P 帧 58.6 55.6 74.0
未训练缩略图 P 帧 58.2 53.8 73.6
训练缩略图 P 帧 61.4 54.4 73.2
AdaCodec 运动残差 P-token 63.8 58.2 75.7

6.1 为什么不用低分辨率 RGB?

训练后的缩略图 P 帧比全 RGB 方案更省 token,但三个任务类别上仍低于 AdaCodec:

任务类别 训练缩略图 AdaCodec
长视频 61.4 63.8
时序 54.4 58.2
通用 73.2 75.7

这说明 AdaCodec 的优势不只是"模型又多看到一张小图"。运动向量和残差携带的"从上一状态发生了什么变化",不能由单张低分辨率 RGB 图完全替代。

6.2 为什么不是 RGB 信息越多越好?

全 RGB P 帧保留了比 AdaCodec 更完整的单帧外观信息,但其结果并未占优:

任务类别 全 RGB P 帧 AdaCodec
长视频 58.6 63.8
时序 55.6 58.2
通用 74.0 75.7

这表明在有限预算下,更多 RGB 细节未必能抵消更长的视觉前缀。AdaCodec 的价值是把有限的上下文优先用于:

  • 完整参考帧;
  • 紧凑的时序变化;
  • 更广的时间覆盖。

6.3 压缩率为什么没有达到理论最小值?

当 GOP 达到最大长度,即 1 个 I 帧加 16 个 P 帧时,理论最低 token 比例为:

256 + 16 × 16 256 + 17 × 256 = 512 4608 ≈ 11.8 % \frac{256+16\times16}{256+17\times256} =\frac{512}{4608} \approx11.8\% 256+17×256256+16×16=4608512≈11.8%

实际平均 GOP 长度为 10.21 帧 ,P 帧数为 9.21 帧 ,平均保留约 15.4% 的视觉 token。

两者之间存在差距,说明实际视频的动态变化迫使系统更频繁地插入 I 帧。这也可以视为一种保护机制:AdaCodec 没有为了追求更高压缩率而强行维持过长预测链。


七、综合评价

核心贡献

  1. 提出预测视觉码作为视频 MLLM 的视觉接口

    只有预测代价高的帧才使用完整 RGB 编码;可预测帧只传递运动和残差。

  2. 将视频编解码思想重新设计为面向 LLM 的表示

    改变宏块、运动参考、搜索窗口、GOP 调度等机制,目标不再是比特率或人类可观看重建。

  3. 构建 I/P 双分支 token 接口

    I 帧负责完整空间状态,P-token 负责时序变化,两者按时间顺序进入 LLM。

  4. 提供从视觉表征到多模态对齐的两阶段训练

    先让 P-token 对齐目标帧的教师视觉特征,再让 LLM 学习阅读预测视觉代码。

  5. 在 11 个基准上验证性能---效率优势

    32k AdaCodec 跨过 224k RGB 基线,同时降低 TTFT 和端到端延迟。

方法本质

AdaCodec 解耦了视频理解中的两种需求:

  • 时间覆盖:用低成本 P-token 覆盖更多时间点;
  • 空间细节:只在必要时使用完整 I 帧。

传统逐帧 RGB 输入的问题在于,这两项需求被绑定在一起:增加时间覆盖,就必须同比例增加完整视觉 token。AdaCodec 的核心正是解除这种绑定。

适用条件与局限

该方法更契合以下视频:

  • 相邻帧存在明显时间冗余;
  • 变化主要可由运动、出现、消失和局部残差表达;
  • 需要较长时序覆盖;
  • 对首 token 时间和上下文成本敏感。

论文尚未重点验证的场景包括:

  • 严重遮挡;
  • 低纹理或重复纹理;
  • 强模糊和快速闪光;
  • 字幕覆盖、画中画、视频拼接;
  • 真实流式服务和并发服务;
  • 动态分辨率条件下的稳定性。

此外,pcost 衡量的是局部预测难度,并非严格语义重要性。它不能单独区分:

  • "预测误差大但语义不重要";
  • "误差较小却包含关键动作"。

因此,AdaCodec 的强项是基于时间冗余进行预算分配,而不是理解事件语义后再决定采样。

实践意义

AdaCodec 适合作为视频 MLLM 前端接口研究,而不是传统视频压缩器的替代品。它的潜在组合方式包括:

  • 与帧选择方法叠加,优化 I 帧候选;
  • 与 token 压缩方法叠加,进一步压缩 I 帧或 P-token;
  • 与记忆机制叠加,管理跨 GOP 的长期状态;
  • 与事件检测或语义不确定性结合,优化 I 帧重置。

值得继续研究的问题包括:

  • 让 I 帧选择同时考虑语义重要性;
  • 根据 P 帧复杂度动态分配 16 个 token;
  • 支持动态分辨率;
  • 研究跨 GOP 的长期预测;
  • 在真实流式系统中验证延迟和吞吐收益。

Reference

1 AdaCodec: A Predictive Visual Code for Video MLLMs(PDF)

https://arxiv.org/pdf/2606.02569

相关推荐
会飞锦鲤19 小时前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
硅谷秋水6 天前
MorphMimic 方法分析
人工智能·机器学习·计算机视觉·机器人
jay神6 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
山顶夕景6 天前
【ECCV2026】流式视频理解Thinking in Streaming Video
音视频·vlm·视频理解·多模态理解·流式视频
jay神9 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
wangxiaoxuan2179 天前
TF2 的原理与使用:把坐标、运动和观测时间一起算清楚
计算机视觉·机器人·科沃斯八界
硅谷秋水9 天前
EgoHumanoid‑V2 方法分析
人工智能·机器学习·计算机视觉·语言模型·机器人
BYSJMG9 天前
计算机毕业设计选题推荐:【基于深度学习的车辆损坏严重程度评估方法研究】ResNet50 图像分类
人工智能·深度学习·目标检测·机器学习·计算机视觉·分类·课程设计
BYSJMG9 天前
计算机毕业设计选题推荐|【基于深度学习的电梯电动车违规进入检测研究】YOLO26m+可视化大屏
人工智能·深度学习·神经网络·目标检测·机器学习·计算机视觉·课程设计
山顶夕景9 天前
【VLM】全双工Full-Duplex多模态交互(李沐)
全双工·视频理解·视频问答·多模态理解