ViLAMP— 蚂蚁联合人民大学推出的视觉语言模型-人工智能-PHP中文网

ViLAMP— 蚂蚁联合人民大学推出的视觉语言模型

DDD

发布： 2025-05-14 17:20:16

原创

180人浏览过

vilamp（video-language model with mixed precision）是由蚂蚁集团和中国人民大学共同开发的视觉语言模型，专用于高效处理长视频内容。通过采用混合精度策略，vilamp能够对视频中的关键帧进行高精度分析，显著降低计算成本并提高处理效率。在多个视频理解基准测试中，vilamp表现出色，尤其在长视频理解任务中展现出显著优势。它能够在单张a100 gpu上处理长达1万帧（约3小时）的视频，同时保持稳定的理解准确率，为长视频分析提供了一种新的解决方案。

ViLAMP的主要功能

长视频理解：能够处理长达数小时的视频内容。
关键信息提取：精确提取视频中的关键信息，并压缩冗余数据。
高效计算：在单张A100 GPU上处理长达1万帧（约3小时）的视频，显著降低内存和计算成本，提升处理效率。
多任务处理：支持多种视频理解任务，如视频内容问答、动作识别和场景理解等。

ViLAMP的技术原理

差分关键帧选择：利用贪心算法选择与用户查询高度相关且具有时间多样性的关键帧，确保选中的关键帧既能捕捉重要信息，又能避免冗余。
差分特征合并：对非关键帧进行压缩，将每个非关键帧的多个patch合并为单个token。通过差分加权池化，赋予与用户查询相关且具有独特性的patch更高的权重，同时降低与关键帧重复的patch的权重。这样既保留了关键信息，又显著减少了计算量。