達摩院開源VideoLLaMA3：僅7B大小，視頻理解拿下SOTA | 在線可玩
7B大小的視頻理解模型中的新SOTA，來了！
它就是由達摩院出品的Video LLaMA 3，以圖像為中心構建的新一代多模態視頻-語言模型。
在通用視頻理解、時間推理和長視頻理解三個核心維度進行評估的過程中，VideoLLaMA 3均取得優異成績，超越多數基線模型。
不僅如此，適用于端側的2B大小的Video LLaMA 3，在圖像理解上的表現也是較為出色。
在涵蓋文檔 / 圖表 / 場景文本理解、數學推理、多圖像理解和常識問答等多個維度的基準測試，如在InfoVQA中超越之前最好成績，在MathVista數學推理任務上優勢明顯。
VideoLLaMA 3以圖片為中心的設計理念貫穿于整個模型架構和訓練過程。
通過高質量的圖片文本數據為視頻理解打下堅實基礎，僅使用3M視頻文本數據，實現全面超越同參數量開源模型的視頻理解能力。
在線可玩
目前，VideoLLaMA 3已經在HuggingFace上提供了圖像、視頻理解的demo。
例如我們給一張《蒙娜麗莎的微笑》，并向VideoLLaMA 3提問：
Discuss the historical impact and the significance of this painting in the art world.
討論這幅畫在藝術界的歷史影響和意義。
VideoLLaMA 3的回答是這樣的：
《蒙娜麗莎》不僅是世界上最著名的畫作之一，也是藝術史上的重要作品。它創作于文藝復興時期，體現了該時期對人文主義的關注和古典學習的復興。列奧納多·達·芬奇的創新技術，如在色彩和色調之間進行柔和過渡的模糊手法，為這幅畫的神秘品質做出了貢獻。幾個世紀以來，《蒙娜麗莎》一直是一個迷人的主題，激發了無數的解釋和分析。它已成為西方文化的標志，象征著藝術成就的頂峰，象征著視覺藝術對跨越時間和文化的觀眾的持久魅力。
再來看下視頻理解的demo，我們的問題是：
What is unusual in the video?
視頻中有什么不尋常之處？
對此，VideoLLaMA 3表示：
這段視頻的不同尋常之處在于，它展示了熊這種典型的野生動物，正在進行一種類似人類的活動，比如在桌子上吃壽司。
VideoLLaMA 3回答可謂是非常簡約且精準了。
并且這個demo在HuggingFace上的操作也是極其簡單，只需上傳圖片或視頻，再提出你的問題即可。
怎么做到的？
VideoLLaMA 3的關鍵，在于它是一種以圖像為中心的訓練范式。
這種范式主要包含四個關鍵內容：
- 視覺編碼器適配：讓視覺編碼器能處理動態分辨率圖像，用不同場景圖像提升其性能，使其能捕捉精細視覺細節。
- 視覺語言對齊：用豐富圖像文本數據為多模態理解打基礎，利用多種數據增強空間推理能力，同時保留模型語言能力。
- 多任務微調：用圖像文本問答數據和視頻字幕數據微調模型，提升其遵循自然語言指令和多模態理解能力，為視頻理解做準備。
- 視頻微調：增強模型視頻理解和問答能力，訓練數據包含多種視頻及圖像、文本數據。
從框架設計來看，主要包含兩大內容。
首先是任意分辨率視覺標記化（AVT）。
這種方法突破了傳統固定分辨率限制，采用2D - RoPE替換絕對位置嵌入，讓視覺編碼器能處理不同分辨率圖像和視頻，保留更多細節。
其次是差分幀剪枝器（DiffFP）。
針對視頻數據冗余問題，通過比較相鄰幀像素空間的1-范數距離，修剪冗余視頻標記，提高視頻處理效率，減少計算需求。
除了框架之外，高質量數據也對VideoLLaMA 3的性能起到了關鍵作用。
首先是高質量圖像重新標注數據集VL3Syn7M的構建。
為給 VideoLLaMA 3 提供高質量訓練數據，團隊構建了包含700萬圖像-字幕對的VL3Syn7M數據集。
- Aspect Ratio Filtering（長寬比過濾）：圖像長寬比可能影響模型特征提取。像一些長寬比極端的圖像，過寬或過長，會使模型在處理時產生偏差。通過過濾，確保數據集中圖像長寬比處于典型范圍，為后續準確的特征提取奠定基礎。
- Aesthetic Score Filtering（美學評分過濾）：利用美學評分模型評估圖像視覺質量，舍棄低評分圖像。這一步能去除視覺效果差、構圖不佳的圖像，減少噪聲干擾，保證模型學習到的圖像內容和描述質量更高，進而提升模型生成優質描述的能力。
- Text-Image Similarity Calculation with Coarse Captioning（帶粗略字幕的文本-圖像相似度計算）：先用 BLIP2 模型為圖像生成初始字幕，再借助CLIP模型計算文本 - 圖像相似度，剔除相似度低的圖像。這一操作確保剩余圖像內容與描述緊密相關，使模型學習到的圖文對更具可解釋性和代表性。
- Visual Feature Clustering（視覺特征聚類）：運用CLIP視覺模型提取圖像視覺特征，通過k-最近鄰（KNN）算法聚類，從每個聚類中心選取固定數量圖像。這樣既保證數據集多樣性，又維持語義類別的平衡分布，讓模型接觸到各類視覺內容，增強其泛化能力。
- Image Re - caption（圖像重新標注）：對過濾和聚類后的圖像重新標注。簡短字幕由InternVL2-8B生成，詳細字幕則由InternVL2-26B完成。不同階段訓練使用不同類型字幕，滿足模型多樣化學習需求。
其次是各訓練階段的數據混合。
在VideoLLaMA 3的不同訓練階段，數據混合策略為模型提供了豐富多樣的學習場景。此外，團隊使用統一的數據組織形式以統一各個階段的訓練。
- Vision Encoder Adaptation（視覺編碼器適配）：此階段旨在增強模型對多樣場景的理解和特征提取能力，訓練數據融合場景圖像、文檔識別圖像和少量場景文本圖像。
場景圖像來源廣泛，像VL3-Syn7M-short等，其中Object365和SA-1B數據集的引入增加了數據多樣性；場景文本圖像來自BLIP3-OCR，其文本內容和簡短重新標注都作為字幕；文檔圖像選取自pdfa-eng-wds和idl-wds，文檔文本內容按閱讀順序作為圖像字幕。
Vision-Language Alignment（視覺語言對齊）：該階段使用高質量數據微調模型，涵蓋場景圖像、場景文本圖像、文檔、圖表、細粒度數據以及大量高質量純文本數據。
場景圖像整合多個數據集并重新標注；場景文本圖像包含多種中英文數據集，并對LAION數據集中圖像篩選形成 Laion-OCR數據集，其字幕包含文本內容和文本位置的邊界框注釋。
文檔圖像除常見數據集外，還加入手寫和復雜文檔數據集；圖表數據雖量少，但來自Chart-to-Text 數據集；細粒度數據包含區域字幕數據和帶框字幕數據，增強模型對圖像細節的理解。
Multi-task Fine-tuning（多任務微調）：用指令跟隨數據進行指令微調，數據混合覆蓋多種任務。
圖像數據分為一般、文檔、圖表 / 圖形、OCR、定位和多圖像六類，每類針對特定視覺理解方面。同時包含大量純文本數據，提升模型處理涉及視覺和文本輸入的指令跟隨任務的能力。
視頻數據則結合常用高質量視頻字幕數據集、少量問答數據，以及VideoLLaMA2的內部數據和內部時間定位數據，增強模型視頻理解能力。
Video - centric Fine - tuning（視頻微調）：此階段聚焦提升模型視頻理解能力，收集多個開源數據集中帶注釋的視頻數據，還通過合成特定方面的密集字幕和問答對擴展數據規模。
此外，引入流媒體視頻理解和時間定位特征，同時使用一定量的純圖像和純文本數據，緩解模型災難性遺忘問題。
論文和demo地址放在下面了，感興趣的小伙伴可以去體驗嘍~
論文地址：??https://arxiv.org/abs/2501.13106??
GitHub項目地址：??https://github.com/DAMO-NLP-SG/VideoLLaMA3/tree/main?tab=readme-ov-file??
圖像理解demo：??https://huggingface.co/spaces/lixin4ever/VideoLLaMA3-Image??
視頻理解demo：??https://huggingface.co/spaces/lixin4ever/VideoLLaMA3??
HuggingFace地址：??https://huggingface.co/collections/DAMO-NLP-SG/videollama3-678cdda9281a0e32fe79af15??
本文轉自量子位 ，作者：量子位
