Video-XL-Pro團隊投稿
量子位 | 公眾號 QbitAI
3B模型超越Meta 7B模型，超長視頻理解SOTA刷新了！
來自上海交通大學(xué)、北京智源研究院、特倫托大學(xué)的聯(lián)合研究團隊推出了Video-XL-Pro，實現(xiàn)近一萬幀視頻的單卡處理，大海撈針準確率超98%。
現(xiàn)有的多模態(tài)大模型在超長視頻訓(xùn)練和應(yīng)用中仍存在顯著瓶頸：一方面，難以大規(guī)模訓(xùn)練超長視頻；另一方面，在處理長視頻時，仍然面臨性能差和效率低的雙重挑戰(zhàn)。
對此，Video-XL-Pro創(chuàng)新采用“重構(gòu)式token壓縮”技術(shù)，并且使用較少的訓(xùn)練數(shù)據(jù)，在多個基準評測上超越了之前Meta發(fā)布的7B模型Apollo-7B，以及同尺寸的知名開源模型Qwen2.5-VL-3B、InternVL2.5-4B等，項目代碼，模型，訓(xùn)練數(shù)據(jù)均已開源。
模型結(jié)構(gòu)
Video-XL-Pro的核心在于其提出的重構(gòu)性token壓縮技術(shù)（ReCoT），該技術(shù)通過自監(jiān)督學(xué)習(xí)生成全面且緊湊的視頻token，顯著提升了視頻理解的效率和質(zhì)量。
ReCoT包含兩個關(guān)鍵組件：動態(tài)token合成器（DTS）和語義引導(dǎo)掩碼（SGM）。
DTS通過輕量級的時空注意力塊對token進行壓縮，有效捕捉視頻中的動態(tài)運動；而SGM則通過自適應(yīng)掩碼策略，減少冗余視覺token，從而優(yōu)化重構(gòu)學(xué)習(xí)過程。
這些創(chuàng)新設(shè)計使得模型在僅需3B參數(shù)的情況下，性能超越了許多7B參數(shù)的模型。
此外，為了增強模型對超長視頻理解能力，模型還引入了查詢選擇器，使得在輸入上下文超過限制時模型能夠選擇性關(guān)注和查詢有關(guān)的片段。
為了進一步提升訓(xùn)練效率，研究團隊還提出了視頻數(shù)據(jù)集剪枝策略。
這些方法通過篩選高質(zhì)量視頻數(shù)據(jù)，顯著降低了計算成本，同時保障模型的性能。
評測基準
Video-XL-Pro選用多個主流視頻理解評測基準，對模型進行了全面的評測，對于長視頻理解任務(wù)，評測了LongVideoBench、MLVU、Video-MME，TempCompass和VNbench。
其中MLVU，VideoMME，LongVideoBench集中在評測模型的長視頻理解能力。
VNbench則是兼顧長視頻與短視頻，TempCompass則是評測模型在視頻中的時間理解能力。
如表1所示，Video-XL-Pro在多個主流的長視頻評測基準上展現(xiàn)了卓越性能。
在MLVU的Dev、Test，以及TempCompass上，VIdeo-XL-Pro均斬獲了第一名，不光超越同參數(shù)量的知名開源模型qwen2.5-VL-3B和internVL2.5-4B等，也超越了一眾7B模型，包括Meta發(fā)布的7B模型Apollo-7B等。
在VideoMME，LongVideoBench，Video-XL-Pro也超越了絕大部分同參數(shù)量模型，并達到與7B模型相當?shù)乃疁省?/p>
最后在VNbench上，VIdeo-XL-Pro也取得有競爭力的結(jié)果，說明模型在增強長視頻理解能力的同時，也能兼顧短視頻能力。
值得注意的是，VIdeo-XL-Pro只使用了相對較少的SFT數(shù)據(jù)（1M），低于Apollo的3.2M，遠低于Qwen2.5-VL，InternVL2.5等知名開源模型，進一步說明了方法的有效性。
Video-XL-Pro還進行了視頻「大海撈針」測試來評估其處理超長上下文的能力。
得益于ReCot模塊和查詢選擇器的設(shè)計，使得模型可以輸入極長的上下文序列，在相同硬件條件下，模型可以以8192幀為輸入，達到了近99%的準確率。
時間理解
為了更全面的評估模型性能，我們還選用了經(jīng)典時間評測基準Charades-STA和最新的長視頻時間評測基準V-STaR。
V-STaR注重在極長視頻中找出與問題相關(guān)的片段，精準回答片段時間范圍，現(xiàn)有開源模型在V-STaR中很難取得很好的成績，即便是Qwen2.5-VL-7B，mIoU得分也僅為11.48。
Video-XL-Pro-3B在最新的V-STaR長視頻時間基準測試斬獲25.07的mIoU得分，在IoU>0.7時仍能達到15.58的準確率，遠上超越一眾知名開源模型，包括InternVL2.5-8B和Qwen2.5-VL-7B，并超越上一代冠軍Video-LLaMA3，展現(xiàn)了卓越的長視頻時間理解能力，并且在Charades-STA上也有著不俗的表現(xiàn)。
總結(jié)
該工作提出了Video-XL-Pro模型，利用自監(jiān)督學(xué)習(xí)壓縮視覺標記，使用相對少量數(shù)據(jù)下訓(xùn)練的3B模型就能獲得超越大多數(shù)7B模型的性能。
Video-XL-Pro在多個主流長視頻理解基準評測上表現(xiàn)優(yōu)異。
模型有望在多個長視頻理解的應(yīng)用場景中展現(xiàn)出廣泛的應(yīng)用價值，成為得力的長視頻理解助手。
目前，模型、代碼、訓(xùn)練數(shù)據(jù)均已開源，以促進長視頻理解社區(qū)的合作和發(fā)展。
論文鏈接：
https://arxiv.org/abs/2503.18478
代碼鏈接：
https://github.com/VectorSpaceLab/Video-XL/tree/main/Video-XL-Pro
模型鏈接：
https://huggingface.co/MINT-SJTU/Video-XL-Pro-3B
訓(xùn)練數(shù)據(jù)鏈接：
https://huggingface.co/datasets/MINT-SJTU/Video-XL-Pro-Training
熱門跟貼