近年來，大型語言模型如 GPT、GLM 和 LLaMA 等在自然語言處理領(lǐng)域取得了顯著進(jìn)展，基于深度學(xué)習(xí)技術(shù)能夠理解和生成復(fù)雜的文本內(nèi)容。然而，將這些能力擴(kuò)展到視頻內(nèi)容理解領(lǐng)域則是一個(gè)全新的挑戰(zhàn) —— 視頻不僅包含豐富多變的視覺信息，還涉及時(shí)間序列的動(dòng)態(tài)變化，這使得大語言模型從視頻中提取信息變得更為復(fù)雜。

面對(duì)這一挑戰(zhàn)，字節(jié)跳動(dòng)聯(lián)合浙江大學(xué)提出了能夠輸出可靠視頻描述的多模態(tài)大語言模型 Vista-LLaMA。Vista-LLaMA 專門針對(duì)視頻內(nèi)容的復(fù)雜性設(shè)計(jì)，能夠有效地將視頻幀轉(zhuǎn)換為準(zhǔn)確的語言描述，從而極大地提高了視頻內(nèi)容分析和生成的質(zhì)量。

論文主頁：https://jinxxian.github.io/Vista-LLaMA/

圖 1

技術(shù)創(chuàng)新路徑

現(xiàn)有多模態(tài)視覺與語言模型在處理視頻內(nèi)容時(shí)，通常將視頻幀轉(zhuǎn)化為一系列的視覺 token，并與語言 token 結(jié)合以生成文本。然而，隨著生成文本長度的增加，視頻內(nèi)容的影響往往逐漸減弱，導(dǎo)致生成的文本越來越多地偏離原視頻內(nèi)容，產(chǎn)生所謂的 “幻覺” 現(xiàn)象。

Vista-LLaMA 通過創(chuàng)新的方式處理視頻和文本間的復(fù)雜互動(dòng)，突破了傳統(tǒng)視頻語言模型的限制。Vista-LLaMA 的核心創(chuàng)新在于其獨(dú)特的視覺與語言 token 處理方式。不同于其他模型，它通過維持視覺和語言 token 間的均等距離，有效避免了文本生成中的偏差，尤其是在長文本中更為顯著。這種方法大幅提高了模型對(duì)視頻內(nèi)容的理解深度和準(zhǔn)確性。

圖 2

Vista-LLaMA 采用了一種改良的注意力機(jī)制 —— 視覺等距離 token 注意力（EDVT），它在處理視覺與文本 token 時(shí)去除了傳統(tǒng)的相對(duì)位置編碼，同時(shí)保留了文本與文本之間的相對(duì)位置編碼。EDVT 機(jī)制通過特定的函數(shù)處理隱藏層輸入，有效區(qū)分視覺 token 來源。

具體而言，它首先對(duì)輸入進(jìn)行查詢、鍵和值的映射轉(zhuǎn)換，接著對(duì)查詢和鍵輸入應(yīng)用旋轉(zhuǎn)位置編碼（RoPE），分別計(jì)算帶 RoPE 和不帶 RoPE 的注意力權(quán)重。隨后，根據(jù)視覺 token 的存在與否合并這兩種注意力權(quán)重，通過 softmax 函數(shù)實(shí)現(xiàn)注意力的歸一化，并最終通過基于注意力權(quán)重的線性映射更新表示，生成輸出結(jié)果。這種創(chuàng)新使得多模態(tài)大語言模型能夠更加關(guān)注視頻的內(nèi)容，尤其在復(fù)雜的視頻場景中，能夠有效地捕捉關(guān)鍵視覺元素，提升了文本生成的質(zhì)量和相關(guān)性。

圖 3

同時(shí)，該模型引入的序列化視覺投影器為視頻中的時(shí)間序列分析提供了新的視角，它不僅能夠處理當(dāng)前視頻幀，還能利用前一幀的信息，從而增強(qiáng)視頻內(nèi)容的連貫性和時(shí)序邏輯。

視覺投影器的作用是將視頻特征映射到語言嵌入空間，以便大型語言模型融合和處理視覺與文本輸入。如圖 4 所示，早期的視覺投影器通常使用線性層或查詢轉(zhuǎn)換器（Q-Former）直接將幀特征轉(zhuǎn)換為語言 token。然而，這些方法忽略了時(shí)間關(guān)系，限制了語言模型對(duì)視頻的全面理解。Vista-LLaMA 中引入了序列化視覺投影器，它通過線性投影層編碼視覺 token 的時(shí)間上下文，增強(qiáng)了模型對(duì)視頻動(dòng)態(tài)變化的理解能力，這對(duì)于提升視頻內(nèi)容分析的質(zhì)量至關(guān)重要。

圖 4

基準(zhǔn)測試結(jié)果

Vista-LLaMA 在多個(gè)開放式視頻問答基準(zhǔn)測試中展現(xiàn)了卓越性能。它在 NExT-QA 和 MSRVTT-QA 測試中取得了突破性成績，這兩個(gè)測試是衡量視頻理解和語言生成能力的關(guān)鍵標(biāo)準(zhǔn)。在零樣本 NExT-QA 測試中，Vista-LLaMA 實(shí)現(xiàn)了 60.7% 的準(zhǔn)確率。而在 MSRVTT-QA 測試中達(dá)到了 60.5% 的準(zhǔn)確率，超過了目前所有的 SOTA 方法。這些成績?cè)谛袠I(yè)中屬于先進(jìn)水平，顯著超越了其他 SOTA 模型，如 Video-ChatGPT 和 MovieChat。

圖 5

這些測試結(jié)果證明了 Vista-LLaMA 在視頻內(nèi)容理解和描述生成方面的高效性和精準(zhǔn)性，Vista-LLaMA 能夠準(zhǔn)確理解和描述視頻內(nèi)容，顯示了其強(qiáng)大的泛化能力。這些成績不僅展示了 Vista-LLaMA 在理解復(fù)雜視頻內(nèi)容方面的能力，還證明了其在多模態(tài)語言處理領(lǐng)域的領(lǐng)先地位。

數(shù)據(jù)集：CineClipQA

圖 6

與 Vista-LLaMA 一同提出的還有 CineClipQA 新數(shù)據(jù)集。

CineClipQA 包含了 153 個(gè)精選視頻片段，這些片段來自五部風(fēng)格和敘事手法各異的電影。每個(gè)片段代表電影情節(jié)的一個(gè)或多個(gè)獨(dú)特部分，并附有 16 個(gè)量身定制的問題，共計(jì) 2448 個(gè)問題。問題分為系統(tǒng)提示和問題兩部分：

• 系統(tǒng)提示提供了當(dāng)前視頻片段中關(guān)鍵角色的基本信息，并在必要時(shí)為角色的初始行動(dòng)提供提示。
• 問題主要分為五類：識(shí)別、時(shí)間性（預(yù)測）、空間性（互動(dòng)）、意圖和感知。具體來說，識(shí)別包括地點(diǎn)和行動(dòng)的問題；時(shí)間性涉及下一個(gè)行動(dòng)、之前的行動(dòng)、同時(shí)發(fā)生的行動(dòng)和預(yù)測行動(dòng)的問題；空間性涉及物體與人之間的空間信息問題；意圖涉及行動(dòng)目的地三種相似問題；最后，感知檢查情感識(shí)別和詢問 “如何”（方式、態(tài)度等）。

該研究還提供了所有 16 種類型的詳細(xì)解釋和相應(yīng)案例。在 CineClipQA 數(shù)據(jù)集中，Vista-LLaMA 也表現(xiàn)出了卓越的性能。

圖 7

簡言之，Vista-LLaMA 在處理長視頻內(nèi)容方面的顯著優(yōu)勢，為視頻分析領(lǐng)域帶來了新的解決框架，推動(dòng)人工智能在視頻處理和內(nèi)容創(chuàng)作方面的發(fā)展，預(yù)示著未來多模態(tài)交互和自動(dòng)化內(nèi)容生成領(lǐng)域的廣泛機(jī)遇。

更多詳情，請(qǐng)?jiān)L問項(xiàng)目頁面 [https://jinxxian.github.io/Vista-LLaMA]。

關(guān)于字節(jié)跳動(dòng)智能創(chuàng)作團(tuán)隊(duì)

智能創(chuàng)作團(tuán)隊(duì)是字節(jié)跳動(dòng)音視頻創(chuàng)新技術(shù)和業(yè)務(wù)中臺(tái)，覆蓋了計(jì)算機(jī)視覺、圖形學(xué)、語音、拍攝編輯、特效、客戶端、服務(wù)端工程等技術(shù)領(lǐng)域，借助字節(jié)跳動(dòng)豐富的業(yè)務(wù)場景、基礎(chǔ)設(shè)施資源和良好的技術(shù)協(xié)作氛圍，實(shí)現(xiàn)了前沿算法 - 工程系統(tǒng) - 產(chǎn)品全鏈路的閉環(huán)，旨在以多種形式向公司內(nèi)部各業(yè)務(wù)線以及外部合作客戶提供業(yè)界前沿的內(nèi)容理解、內(nèi)容創(chuàng)作、互動(dòng)體驗(yàn)與消費(fèi)的能力和行業(yè)解決方案。

目前，智能創(chuàng)作團(tuán)隊(duì)已通過字節(jié)跳動(dòng)旗下的云服務(wù)平臺(tái)火山引擎向企業(yè)開放技術(shù)能力和服務(wù)。