单卡搞定万帧视频理解！智源研究院开源轻量级超长视频理解模型Video-XL-2

鱼羊
2025-06-04
14:11:00

来源：量子位

允中 发自 凹非寺

量子位 | 公众号 QbitAI

单张显卡，就能处理万帧视频输入，并且编码2048帧视频仅需12秒！

国产开源模型又上大分，这次是在长视频理解领域：

智源研究院联合上海交通大学等机构，正式发布新一代超长视频理解模型Video-XL-2。

长视频理解是多模态大模型关键能力之一。尽管OpenAI GPT-4o、Google Gemini等私有模型已在该领域取得显著进展，当前的开源模型在效果、计算开销和运行效率等方面仍存在明显短板。

而Video-XL-2相较于上一版本的Video-XL，在多个维度全面优化了开源多模态大模型对长视频内容的理解能力：

• 效果更佳：Video-XL-2在长视频理解任务中表现出色，在MLVU、Video-MME、LVBench等主流评测基准上达到了同参数规模开源模型的领先水平。
• 长度更长：新模型显著扩展了可处理视频的时长，支持在单张显卡上高效处理长达万帧的视频输入。
• 速度更快：Video-XL-2大幅提升了处理效率，编码2048帧视频仅需12秒，显著加速长视频理解流程。

目前，Video-XL-2的模型权重已全面向社区开放。未来，该模型有望在影视内容分析、异常行为监测等多个实际场景中展现重要应用价值。

技术简介

在模型架构设计上，Video-XL-2主要由三个核心组件构成：视觉编码器（Visual Encoder）、动态 Token 合成模块（Dynamic Token Synthesis, DTS）以及大语言模型（LLM）。

△Video-XL-2的模型架构示意图

具体而言，Video-XL-2采用SigLIP-SO400M作为视觉编码器，对输入视频进行逐帧处理，将每一帧编码为高维视觉特征。

随后，DTS模块对这些视觉特征进行融合压缩，并建模其时序关系，以提取更具语义的动态信息。处理后的视觉表征通过平均池化与多层感知机（MLP）进一步映射到文本嵌入空间，实现模态对齐。最终，对齐后的视觉信息输入至Qwen2.5-Instruct，以实现对视觉内容的理解与推理，并完成相应的下游任务。

△Video-XL-2的训练阶段示意图

在训练策略上，Video-XL-2采用了四阶段渐进式训练的设计 ，逐步构建其强大的长视频理解能力。

前两个阶段主要利用图像/视频-文本对，完成DTS模块的初始化与跨模态对齐；第三阶段则引入更大规模，更高质量的图像与视频描述数据，初步奠定模型对视觉内容的理解能力；第四阶段，在大规模、高质量且多样化的图像与视频指令数据上进行微调，使Video-XL-2的视觉理解能力得到进一步提升与强化，从而能够更准确地理解和响应复杂的视觉指令。

此外，Video-XL-2还系统性设计了效率优化策略。

首先，Video-XL-2引入了分段式的预装填策略（Chunk-based Prefilling）：将超长视频划分为若干连续的片段（chunk），在每个chunk内部使用稠密注意力机制进行编码，而不同chunk之间则通过时间戳传递上下文信息。该设计显著降低了预装填阶段的计算成本与显存开销。

△Chunk-based Prefilling

其次，Video-XL-2还设计了基于双粒度KV的解码机制（Bi-granularity KV Decoding）：

在推理过程中，模型会根据任务需求，选择性地对关键片段加载完整的KVs（dense KVs），而对其他次要片段仅加载降采样后的稀疏的KVs（sparse KVs）。这一机制有效缩短了推理窗口长度，从而大幅提升解码效率。得益于上述策略的协同优化，Video-XL-2实现了在单张显卡上对万帧级视频的高效推理，显著增强了其在实际应用场景中的实用性。

△Bi-granularity KV Decoding

实验效果

在模型具体表现方面，Video-XL-2在MLVU、VideoMME 和 LVBench等主流长视频评测基准上全面超越现有所有轻量级开源模型，达成当前最先进性能（SOTA），相较第一代 Video-XL 实现了显著提升。

△Video-XL-2的主要对比结果

尤其值得关注的是，在MLVU和LVBench上，Video-XL-2的性能已接近甚至超越了如Qwen2.5-VL-72B和LLaVA-Video-72B等参数规模高达720亿的大模型。

此外，在时序定位（Temporal Grounding）任务中，Video-XL-2也表现出色，在Charades-STA数据集上取得了领先的结果，进一步验证了其在多模态视频理解场景中的广泛适用性与实际价值。

△Video-XL-2的全面对比结果

除了效果上的提升，Video-XL-2在视频长度方面也展现出显著优势。

如下图所示，在单张24GB消费级显卡（如 RTX 3090 / 4090）上，Video-XL-2可处理长达千帧的视频；而在单张 80GB 高性能显卡（如 A100 / H100）上，模型更支持万帧级视频输入，远超现有主流开源模型。

△Video-XL-2输入长度的对比展示

相较于VideoChat-Flash 和初代 Video-XL，Video-XL-2显著拓展了视频理解的长度并有效降低了资源需求，为处理复杂的视频任务提供了有力的支撑。

最后，Video-XL-2在速度上也展现出卓越性能。

Video-XL-2仅需12秒即可完成2048帧视频的预填充。更重要的是，其预填充时间与输入帧数之间呈现出近似线性增长，体现了其出色的可扩展性。

△Video-XL-2 Prefilling速度和输入帧数的关系图

相比之下，Video-XL与VideoChat-Flash 在输入长视频条件下的工作效率明显落后于Video-XL-2。

△Video-XL-2 Prefilling速度的对比展示

应用潜力

得益于出色的视频理解能力与对超长视频的高效处理性能，Video-XL-2在多种实际应用场景中展现出很高的应用潜力。例如，它可广泛应用于影视内容分析、剧情理解、监控视频中的异常行为检测与安全预警等任务，为现实世界中的复杂视频理解需求提供高效、精准的技术支撑。

以下是一些具体的例子，将展示Video-XL-2在实际应用中的潜力：

Example 1：电影情节问答

Question: A bald man wearing a green coat is speaking on the phone. What color is the phone?
Answer: The phone’s color is red

Example 2：监控异常检测

Question: Is there any unexpected event happening in this surveillance footage?
Answer: There is physical altercation between the customers and the store employees

Example 3: 影视作品内容总结

Example4：游戏直播内容总结

更多技术细节，可以在项目主页一探究竟，详细技术报告is coming soon~

项目主页：https://unabletousegit.github.io/video-xl2.github.io/
模型hf链接：https://huggingface.co/BAAI/Video-XL-2
仓库链接：https://github.com/VectorSpaceLab/Video-XL

— 完 —

Read More