單卡搞定萬幀視頻理解！智源研究院開源輕量級超長視頻理解模型Video-XL-2
單張顯卡，就能處理萬幀視頻輸入，并且編碼2048幀視頻僅需12秒！
國產開源模型又上大分，這次是在長視頻理解領域：
智源研究院聯合上海交通大學等機構，正式發布新一代超長視頻理解模型Video-XL-2。
長視頻理解是多模態大模型關鍵能力之一。盡管OpenAI GPT-4o、Google Gemini等私有模型已在該領域取得顯著進展，當前的開源模型在效果、計算開銷和運行效率等方面仍存在明顯短板。
而Video-XL-2相較于上一版本的Video-XL，在多個維度全面優化了開源多模態大模型對長視頻內容的理解能力：
- 效果更佳：Video-XL-2在長視頻理解任務中表現出色，在MLVU、Video-MME、LVBench等主流評測基準上達到了同參數規模開源模型的領先水平。
- 長度更長：新模型顯著擴展了可處理視頻的時長，支持在單張顯卡上高效處理長達萬幀的視頻輸入。
- 速度更快：Video-XL-2大幅提升了處理效率，編碼2048幀視頻僅需12秒，顯著加速長視頻理解流程。
目前，Video-XL-2的模型權重已全面向社區開放。未來，該模型有望在影視內容分析、異常行為監測等多個實際場景中展現重要應用價值。
技術簡介
在模型架構設計上，Video-XL-2主要由三個核心組件構成：視覺編碼器（Visual Encoder）、動態 Token 合成模塊（Dynamic Token Synthesis, DTS）以及大語言模型（LLM）。
△Video-XL-2的模型架構示意圖
具體而言，Video-XL-2采用SigLIP-SO400M作為視覺編碼器，對輸入視頻進行逐幀處理，將每一幀編碼為高維視覺特征。
隨后，DTS模塊對這些視覺特征進行融合壓縮，并建模其時序關系，以提取更具語義的動態信息。處理后的視覺表征通過平均池化與多層感知機（MLP）進一步映射到文本嵌入空間，實現模態對齊。最終，對齊后的視覺信息輸入至Qwen2.5-Instruct，以實現對視覺內容的理解與推理，并完成相應的下游任務。
△Video-XL-2的訓練階段示意圖
在訓練策略上，Video-XL-2采用了四階段漸進式訓練的設計 ，逐步構建其強大的長視頻理解能力。
前兩個階段主要利用圖像/視頻-文本對，完成DTS模塊的初始化與跨模態對齊；第三階段則引入更大規模，更高質量的圖像與視頻描述數據，初步奠定模型對視覺內容的理解能力；第四階段，在大規模、高質量且多樣化的圖像與視頻指令數據上進行微調，使Video-XL-2的視覺理解能力得到進一步提升與強化，從而能夠更準確地理解和響應復雜的視覺指令。
此外，Video-XL-2還系統性設計了效率優化策略。
首先，Video-XL-2引入了分段式的預裝填策略（Chunk-based Prefilling）：將超長視頻劃分為若干連續的片段（chunk），在每個chunk內部使用稠密注意力機制進行編碼，而不同chunk之間則通過時間戳傳遞上下文信息。該設計顯著降低了預裝填階段的計算成本與顯存開銷。
△Chunk-based Prefilling
其次，Video-XL-2還設計了基于雙粒度KV的解碼機制（Bi-granularity KV Decoding）：
在推理過程中，模型會根據任務需求，選擇性地對關鍵片段加載完整的KVs（dense KVs），而對其他次要片段僅加載降采樣后的稀疏的KVs（sparse KVs）。這一機制有效縮短了推理窗口長度，從而大幅提升解碼效率。得益于上述策略的協同優化，Video-XL-2實現了在單張顯卡上對萬幀級視頻的高效推理，顯著增強了其在實際應用場景中的實用性。
△Bi-granularity KV Decoding
實驗效果
在模型具體表現方面，Video-XL-2在MLVU、VideoMME 和 LVBench等主流長視頻評測基準上全面超越現有所有輕量級開源模型，達成當前最先進性能（SOTA），相較第一代 Video-XL 實現了顯著提升。
△Video-XL-2的主要對比結果
尤其值得關注的是，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等參數規模高達720億的大模型。
此外，在時序定位（Temporal Grounding）任務中，Video-XL-2也表現出色，在Charades-STA數據集上取得了領先的結果，進一步驗證了其在多模態視頻理解場景中的廣泛適用性與實際價值。
△Video-XL-2的全面對比結果
除了效果上的提升，Video-XL-2在視頻長度方面也展現出顯著優勢。
如下圖所示，在單張24GB消費級顯卡（如 RTX 3090 / 4090）上，Video-XL-2可處理長達千幀的視頻；而在單張 80GB 高性能顯卡（如 A100 / H100）上，模型更支持萬幀級視頻輸入，遠超現有主流開源模型。
△Video-XL-2輸入長度的對比展示
相較于VideoChat-Flash 和初代 Video-XL，Video-XL-2顯著拓展了視頻理解的長度并有效降低了資源需求，為處理復雜的視頻任務提供了有力的支撐。
最后，Video-XL-2在速度上也展現出卓越性能。
Video-XL-2僅需12秒即可完成2048幀視頻的預填充。更重要的是，其預填充時間與輸入幀數之間呈現出近似線性增長，體現了其出色的可擴展性。
△Video-XL-2 Prefilling速度和輸入幀數的關系圖
相比之下，Video-XL與VideoChat-Flash 在輸入長視頻條件下的工作效率明顯落后于Video-XL-2。
△Video-XL-2 Prefilling速度的對比展示
應用潛力
得益于出色的視頻理解能力與對超長視頻的高效處理性能，Video-XL-2在多種實際應用場景中展現出很高的應用潛力。例如，它可廣泛應用于影視內容分析、劇情理解、監控視頻中的異常行為檢測與安全預警等任務，為現實世界中的復雜視頻理解需求提供高效、精準的技術支撐。
以下是一些具體的例子，將展示Video-XL-2在實際應用中的潛力：
Example 1：電影情節問答
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：監控異常檢測
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: 影視作品內容總結
Example4：游戲直播內容總結
更多技術細節，可以在項目主頁一探究竟，詳細技術報告is coming soon~
項目主頁：https://unabletousegit.github.io/video-xl2.github.io/
模型hf鏈接：https://huggingface.co/BAAI/Video-XL-2
倉庫鏈接：https://github.com/VectorSpaceLab/Video-XL
