- VideoMind團隊 投稿
量子位 | 公眾號 QbitAI
AI能像人類一樣理解長視頻。
港理工、新加坡國立團隊推出VideoMind框架，核心創(chuàng)新在于角色化推理（Role-based Reasoning）和鏈式LoRA（Chain-of-LoRA）策略。
相關論文已上傳arXiv，代碼和數(shù)據(jù)全部開源。
隨著視頻數(shù)據(jù)量的激增，如何理解和推理長視頻中的復雜場景和事件成為了多模態(tài)人工智能研究的熱點。不同于靜態(tài)圖像，視頻不僅包含視覺信息，還包含時間維度上的動態(tài)變化，這要求模型在理解視頻時不僅要識別畫面中的物體和場景，還要理解這些物體和場景如何隨時間變化和相互作用。
傳統(tǒng)的基于文本和圖像的推理模型（如OpenAI o1， DeepSeek R1等）往往無法應對這種復雜的時間維度推理任務。
VideoMind框架
區(qū)別于文本和圖片，長視頻理解難以用傳統(tǒng)的單次感知 + 純文字推理實現(xiàn)。
相比之下，人類在理解長視頻（如教學視頻、故事類視頻）時往往會尋找相關片段并反復觀看，以此獲取更可靠的結(jié)論。
受該現(xiàn)象啟發(fā)，作者根據(jù)視頻理解所需要的4種核心能力（制定計劃、搜索片段、驗證片段、回答問題），為VideoMind定義了4個角色，并構(gòu)建了一個角色化的工作流，有效地解決了長視頻中的時序推理問題。
- 規(guī)劃者（Planner）
- 根據(jù)問題動態(tài)制定計劃，決定如何調(diào)用其他角色（如先定位，再驗證，最后回答問題）;
- 定位器（Grounder）
- 根據(jù)給定的問題或查詢，精確定位與之相關的視頻片段;
- 驗證器（Verifier）
- 對定位得到的多個時間片段進行驗證，確保其準確性;
- 回答者（Answerer）
- 基于選定的視頻片段進行理解，生成最終答案。
圖1：傳統(tǒng)純文字推理和VideoMind的角色化推理
為了高效整合以上角色，作者進一步提出了鏈式LoRA（Chain-of-LoRA）策略，在一個統(tǒng)一的Base模型（如Qwen2-VL）上同時加載多個輕量的LoRA Adapter，并在推理時根據(jù)需要進行動態(tài)切換，以實現(xiàn)不同角色間的轉(zhuǎn)換。該策略僅需要在Base模型上添加少量可學習參數(shù)，即可實現(xiàn)多個角色/功能間的無縫切換，既獲得了比單一模型顯著更優(yōu)的性能，也避免了多模型并行帶來的計算開銷，從而在確保性能的同時大幅提高了計算效率。
圖2： VideoMind的整體架構(gòu)和推理流程
VideoMind推理流程
如圖2所示，模型接收一個視頻和一個用戶提出的問題作為輸入，通過切換多個角色來推理出最終答案。其中，Planner首先對視頻和問題進行分析，執(zhí)行后續(xù)推理的計劃，其結(jié)果以JSON list的形式呈現(xiàn)。推理計劃主要可分為以下三種：
圖3：VideoMind的三種推理模式
其中（i）主要針對長視頻問答任務（Grounded VideoQA），需要使用Grounder + Verifier + Answerer三個角色進行作業(yè)；（ii）針對視頻時序定位任務（Video Temporal Grounding），使用Grounder + Verifier來進行相關片段的精準查找；（iii）針對短視頻問答，該場景下由于視頻較短，無需對其進行裁剪，故直接使用Answerer進行推理。
圖4：Timestamp Decoder模塊
Grounder負責接收一個自然語言查詢，并在視頻中定位相關片段。針對這一復雜任務，研究團隊提出了Timestamp Decoder模塊，將離散的Token預測任務和連續(xù)的時間回歸任務解耦開來，并使LLM通過Special Token進行調(diào)用，實現(xiàn)了強大的Zero-shot時序定位性能。
圖5：Verifier的驗證策略
為保證時間分辨率，Grounder往往工作在較低的空間分辨率下，因此獲得的時間片段可能會不準確。針對此問題，作者設計了Verifier角色來對每個片段進行放大驗證，并從多個候選片段中選取置信度最高的作為目標片段。試驗證明該策略可以進一步顯著提高Temporal Grounding任務的性能。
表1：VideoMind的訓練數(shù)據(jù)集
為訓練VideoMind，作者針對不同角色收集/制作了多個數(shù)據(jù)集，共計包含接近50萬個樣本。不同角色使用不同數(shù)據(jù)集進行訓練，并在推理時合并加載，以確保每個角色的性能最大化。所有訓練數(shù)據(jù)（包括前期探索使用的更多數(shù)據(jù)集）全部公開可用。
實驗與評估
為了驗證VideoMind的有效性，作者在14個公開基準測試集上進行了廣泛的實驗，涵蓋了長視頻定位 + 問答（Grounded VideoQA）、視頻時序定位(Video Temporal Grounding)和普通視頻問答(General VideoQA)等任務。
表2：用于VideoMind評測的基準測試集
（1）視頻定位 + 問答（Grounded VideoQA）
在CG-Bench、ReXTime、NExT-GQA等長視頻基準上，VideoMind在答案精確度和時序定位準確性方面表現(xiàn)出了領先優(yōu)勢。特別的，在平均視頻長度約為27分鐘的CG-Bench中，較小的VideoMind-2B模型在時序定位和問答任務上超越了GPT-4o、Gemini-1.5-Pro等最先進的模型
表3：CG-Bench數(shù)據(jù)集的測試結(jié)果
表4：NExT-GQA數(shù)據(jù)集的測試結(jié)果
（2）視頻時序定位（Video Temporal Grounding）
VideoMind的Grounder通過創(chuàng)新的Timestamp Decoder和Temporal Feature Pyramid設計，顯著提高了視頻時序定位的準確性。Verifier的設計進一步提升了高精度定位的性能。VideoMind在Charades-STA、ActivityNet-Captions、QVHighlights等基準上都取得了最佳性能。此外，VideoMind也是首個支持多片段grounding的多模態(tài)大模型，因此可以在QVHighlights數(shù)據(jù)集上跟現(xiàn)有模型公平對比。
表5：Charades-STA數(shù)據(jù)集的測試結(jié)果
表6：ActivityNet Captions數(shù)據(jù)集的測試結(jié)果
表7：QVHighlights數(shù)據(jù)集的測試結(jié)果
（3）一般視頻問答（General VideoQA）
對于通用的視頻理解問題，VideoMind也表現(xiàn)出了強大的泛化能力。在Video-MME、MVBench、MLVU、LVBench、LongVideoBench等基準上，VideoMind得益于其Planner的設計，可以自適應地決定是否需要grounding，其性能超越了許多先進的視頻問答模型，顯示了其在不同視頻長度下的優(yōu)越表現(xiàn)。
表8：Video-MME、MLVU和LVBench數(shù)據(jù)集的測試結(jié)果
表9：LongVideoBench數(shù)據(jù)集的測試結(jié)果
以下例子展現(xiàn)了VideoMind在實際場景中的推理流程。給定一個視頻和一個問題，該模型可以拆解問題、指定計劃、搜索片段、驗證結(jié)果，并根據(jù)獲取的片段推理最終答案。該策略相比傳統(tǒng)的純文字推理（左下部分）更加符合人類行為，結(jié)果也更加可靠。
圖6：VideoMind的推理流程可視化
總結(jié)
VideoMind的提出不僅在于視頻理解性能的突破，更在于提出了一個模塊化、可擴展、可解釋的多模態(tài)推理框架。該框架首次實現(xiàn)了類似人類行為的“指定計劃、搜索片段、驗證結(jié)果、回答問題”流程，真正讓AI能“像人類一樣理解視頻”，為未來的視頻理解和多模態(tài)智能系統(tǒng)領域奠定了基礎。
項目主頁：https://videomind.github.io/
論文鏈接：https://arxiv.org/abs/2503.13444
開源代碼：https://github.com/yeliudev/VideoMind
開源數(shù)據(jù)：https://huggingface.co/datasets/yeliudev/VideoMind-Dataset
在線Demo：https://huggingface.co/spaces/yeliudev/VideoMind-2B
熱門跟貼