啥？AI 都能自己看电影大片了？

贾佳亚团队最新研究成果，让大模型直接学会了处理超长视频。

丢给它一部科幻大片《星际穿越》（片长 2 小时 49 分钟）：

它“看”完之后，不仅能结合电影情节和人物轻松对电影进行点评：

还能很精准地回答出剧中所涉的细节：

例如：虫洞的作用和创造者是谁？

答：未来的智慧生物放置在土星附近，用于帮助人类进行远距离星际穿越。

男主库珀是如何将黑洞中的信息传递给女儿墨菲？

答：通过手表以摩斯密码的方式传递数据。

啊这，感觉电影博主的饭碗也要被 AI 抢走了。

这就是最新多模态大模型 LLaMA-VID，它支持单图、短视频和长视频三种输入。

对比来看，包括 GPT-4V 等在内的同类模型基本只能处理图像。

而背后原理更有看头。

据介绍，LLaMA-VID 只通过一个非常简单的办法就达成了如上能力，那就是：

把表示每一帧图像的 token 数量，压缩到仅有 2 个。

具体效果如何以及如何实现？一起来看。

人物理解分析、电影细节都 OK

对于电影来说，除了精准回答所涉细节，LLaMA-VID 也能对角色进行十分准确的理解和分析。

还是《星际穿越》，我们让它看完后分析米勒星球上相对地球时间的快慢及原因。

结果完全正确：

LLaMA-VID 表示是因为米勒星球在黑洞附近，导致 1 小时相当于地球 7 年。

再丢给它时长近俩小时的《阿甘正传》。

对于“珍妮对于阿甘有何意义？”这一问题，LLaMA-VID 的回答是：

孩童时期的朋友，后来成为阿甘的妻子，是阿甘生活和心灵的慰藉。

对于阿甘在战争及退伍后的事件也能进行分析，且回答也很到位：

丹中尉责怪阿甘救了自己，因为这让他无法战死沙场。

除了看电影，成为一个无所不知的的“电影搭子”，它也能很好地理解宣传片的意图，回答一些开放问题。

比如给它一段最近很火的 GTA6 预告片。

问它“这个游戏哪里最吸引你？”，它“看”完后给出的想法是：

一是游戏场景和设置非常多（从赛车、特技驾驶到射击等），二是视觉效果比较惊艳。

哦对了，LLaMA-VID 还能根据游戏中的场景和特征，推测出预告片是 Rockstar 游戏公司的推广：

以及认出游戏的背景城市为迈阿密（根据夜生活、海滩等信息，以及在作者提示游戏设置在佛罗里达之后）。

最后，在宣传片、时长高达 2-3 小时的电影这些视频材料之外，我们也来看看 LLaMA-VID 对最基础的图片信息的理解能力。

呐，准确识别出这是一块布料，上面有个洞：

让它扮演“福尔摩斯”也不在话下。面对这样一张房间内景照片：

它可以从门上挂了很多外套分析出房间主人可能生活繁忙 / 经常外出。

看得出来，LLaMA-VID 对视频的准确解读正是建立在这样的图片水准之上的，但最关键的点还是它如何完成如此长时间的视频处理。

几行代码实现单帧 2 token 表示

LLaMA-VID 的关键创新是将每帧画面的 token 数量压缩到很低，从而实现可处理超长视频。

很多传统多模态大模型对于单张图片编码的 token 数量过多，导致了视频时间加长后，所需 token 数量暴增，模型难以承受。

为此研究团队重新设计了图像的编码方式，采用上下文编码（Context Token）和图像内容编码（Content Token）来对视频中的单帧进行编码。

从而实现了将每一帧用 2 个 token 表示。

具体来看 LLaMA-VID 的框架。

只包含 3 个部分：

采用编解码器产生视觉嵌入和文本引导特征。

根据特定 token 生成策略转换上下文 token 和图像内容 token。

指令调优进一步优化。

根据指令，LLaMA-VID 选取单个图像或视频帧作为输入，然后从大语言模型上生成回答。

这个过程从一个可视编码器开始，该编码器将输入帧转换为可视帧嵌入。

然后文本解码器根据用户输入和图像编码器提取的特征，来生成与输入指令相关的跨模态索引（Text Query）。

然后利用注意力机制（Context Attention），将视觉嵌入中和文本相关的视觉线索聚合起来，也就是特征采样和组合，从而生成高质量的指令相关特征。

为了提高效率，模型将可视化嵌入样本压缩到不同 token 大小，甚至是一个 token。

其中，上下文 token 根据用户输入的问题生成，尽可能保留和用户问题相关的视觉特征。

图像内容 token 则直接根据用户指令对图像特征进行池化采样，更关注图像本身的内容信息，对上下文 token 未关注到的部分进行补充。

文本引导上下文 token 和图像 token 来一起表示每一帧。

最后，大语言模型将用户指令和所有视觉 token 作为输入，生成回答。

而且这种 token 的生成方法很简单，仅需几行代码。

实验结果方面，LLaMA-VID 在多个视频问答和推理榜单上实现 SOTA。

仅需加入 1 个上下文 token 拓展，LLaMA-VID 在多个图片问答指标上也能获得显著提升。

在 16 个视频、图片理解及推理数据集上，LLaMA-VID 实现了很好效果。

在 GitHub 上，团队提供了不同阶段的所有微调模型，以及第一阶段的预训练权重。

具体训练包括 3 个过程：特征对齐、指令微调、长视频微调（相应步骤可参考 GitHub）。

此外，LLaMA-VID 还收集了 400 部电影并生成 9K 条长视频问答语料，包含电影影评、人物成长及情节推理等。

结合之前贾佳亚团队所发布的长文本数据集 LongAlpaca-12k（9k 条长文本问答语料对、3k 短文本问答语料对）, 可轻松将现有多模态模型拓展来支持长视频输入。

值得一提的是，今年 8 月开始贾佳亚团队就发布了主攻推理分割的 LISA 多模态大模型。

10 月还发布了长文本开源大语言模型 LongAlpaca（70 亿参数）和超长文本扩展方法 LongLoRA。

LongLoRA 只需两行代码便可将 7B 模型的文本长度拓展到 100k tokens，70B 模型的文本长度拓展到 32k tokens。

最后，团队也提供了 demo 地址，可自己上传视频和 LLaMA-VID 对话（部署在单块 3090，需要的小伙伴可以参考 code 用更大的显存部署，直接和整个电影对话）。

看来，以后看不懂诺兰电影，可以请教 AI 试试

~

论文地址：

https://arxiv.org/abs/2311.17043

GitHub 地址：

https://github.com/dvlab-research/LLaMA-VID

demo 地址：

http://103.170.5.190:7864/

本文来自微信公众号：量子位 （ID：QbitAI），作者：丰色 明敏