顛覆性的視頻理解新突破！達摩院開源VideoLLaMA3驚艷來襲
隨著科技的飛速發(fā)展，視頻數(shù)據(jù)已成為我們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠?。為了更好地理解和處理這些海量的視頻數(shù)據(jù)，達摩院最新開源了VideoLLaMA3模型，其驚艷表現(xiàn)令人矚目。該模型以圖像為中心，構(gòu)建了新一代的多模態(tài)視頻-語言模型，其在通用視頻理解、時間推理和長視頻理解等核心維度上的表現(xiàn)均超越了多數(shù)基線模型。
VideoLLaMA3模型的出色表現(xiàn)，得益于其以圖像為中心的訓練范式。這種訓練范式主要包含四個關(guān)鍵內(nèi)容：視覺編碼器適配、視覺語言對齊、多任務微調(diào)以及視頻微調(diào)。通過這些方法，VideoLLaMA3在框架設(shè)計和訓練過程中，實現(xiàn)了對不同分辨率圖像和視頻的處理，并增強了模型對多樣場景的理解和特征提取能力。
高質(zhì)量的數(shù)據(jù)在VideoLLaMA3的性能提升中起到了關(guān)鍵作用。首先，團隊構(gòu)建了包含700萬圖像-字幕對的VL3Syn7M數(shù)據(jù)集，為模型提供了豐富的高質(zhì)量訓練數(shù)據(jù)。此外，Aspect Ratio Filtering、Aesthetic Score Filtering以及Text-Image Similarity Calculation with Coarse Captioning等數(shù)據(jù)過濾和增強策略，確保了剩余圖像內(nèi)容與描述的緊密相關(guān)性，提升了模型學習到的圖文對的質(zhì)量和代表性。
在Vision Encoder Adaptation階段，團隊整合了場景圖像、文檔識別圖像和少量場景文本圖像，以增強模型對多樣場景的理解和特征提取能力。而在Vision-Language Alignment階段，高質(zhì)量的數(shù)據(jù)微調(diào)則涵蓋了多種中英文數(shù)據(jù)集、細粒度數(shù)據(jù)以及大量高質(zhì)量純文本數(shù)據(jù)，進一步提升了模型對圖像細節(jié)的理解。
在Multi-task Fine-tuning階段，團隊使用了指令跟隨數(shù)據(jù)混合覆蓋多種任務，涵蓋了圖像、文檔、圖表、OCR等不同類別的數(shù)據(jù)，并使用大量純文本數(shù)據(jù)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。而在Video-centric Fine-tuning階段，收集了多個開源數(shù)據(jù)集中帶注釋的視頻數(shù)據(jù)，并通過合成特定方面的密集字幕和問答對擴展了數(shù)據(jù)規(guī)模。
VideoLLaMA3模型的出色表現(xiàn)不僅體現(xiàn)在理論成果上，更在實際應用中得到了驗證。目前，該模型已經(jīng)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》的圖片，向VideoLLaMA3提問“討論這幅畫在藝術(shù)界的歷史影響和意義”，其回答精準且簡約。再來看下視頻理解的demo，我們的問題是“視頻中有什么不尋常之處”，VideoLLaMA3的回答簡潔而精準。
總的來說，VideoLLaMA3模型的開源無疑將推動視頻理解領(lǐng)域的發(fā)展。達摩院在VideoLLaMA3上的創(chuàng)新和努力，無疑為整個領(lǐng)域樹立了一個新的標桿。我們期待未來VideoLLaMA3在更多實際應用場景中的表現(xiàn)，也相信會有更多的研究者會利用這個強大的工具來推動視頻理解領(lǐng)域的發(fā)展。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
