SlowFast-LLaVA-1.5 – 蘋果推出的多模態長視頻理解模型

核心觀點： SlowFast-LLaVA-1.5 (SF-LLaVA-1.5) 是一款專為長視頻理解打造的高效視頻大語言模型。它巧妙融合了 SlowFast 雙流機制，在處理海量視頻幀與精簡每幀信息量之間取得平衡，從而能夠深入捕捉視頻的細節空間特征，并高效解析長時序信息。該模型提供 1B 至 7B 參數規模，采用簡化的兩階段訓練流程，并結合高質量公開數據集進行訓練，在長視頻理解任務上表現卓越，同時在圖像理解任務上也保持了強大的能力，尤其在小規模模型上展現出顯著的輕量化和移動部署優勢。

SF-LLaVA-1.5：解鎖長視頻理解新維度

SF-LLaVA-1.5，亦稱 SlowFast-LLaVA-1.5，是一款性的視頻大語言模型，其核心使命是賦能高效的長視頻理解。它巧妙運用了 SlowFast 雙流架構，在處理海量輸入幀與控制每幀的令牌數量之間找到了完美的平衡點。這一創新設計使得 SF-LLaVA-1.5 能夠精準捕捉視頻中細膩的空間細節，同時又能夠高效地解析長時序中的動態變化。該模型擁有從 10 億到 70 億參數的不同規模版本，通過一個精簡的兩階段訓練流程，并融合了多樣化的高質量公開數據集進行訓練。SF-LLaVA-1.5 在長視頻理解任務中表現出非凡的能力，并且在圖像理解領域也保持著強勁的性能。尤其值得一提的是，在小型模型規模上，它展現出了顯著的優勢，為輕量化和移動端視頻理解應用提供了強有力的技術支撐。

SF-LLaVA-1.5 的關鍵能力

• 高效處理長視頻： 能夠從冗長的視頻內容中提取復雜時空信息，深刻理解長時序上下文，為長視頻內容的深度解析和分析提供支持。
• 多模態信息融合： 整合視頻與圖像輸入，提供全面的視覺洞察力，支持視頻與圖像任務的聯合優化，全面提升模型在各類視覺任務上的表現。
• 輕巧易部署： 模型設計注重輕量化，使其能夠輕松部署在移動設備等資源受限的環境中，滿足邊緣計算和實時應用場景的需求。
• 強大的語言交互： 基于先進的大語言模型（LLM）架構，具備出色的自然語言處理能力，能夠為視頻內容生成詳盡的描述，并精準回答與視頻相關的各類問題。
• 靈活的可擴展性： 提供多種參數規模（1B 至 7B），用戶可以根據實際需求靈活選擇，實現性能與資源消耗的最佳平衡。

SF-LLaVA-1.5 的技術基石

• 獨創 SlowFast 雙流機制：
  • Slow 流： 以較低的幀率運行，專注于捕捉視頻中豐富的靜態空間特征，是理解關鍵幀信息的理想選擇。
  • Fast 流： 以較高的幀率運行，但每幀的特征信息量較少，主要用于捕捉視頻的動態變化和軌跡。
• 精煉的兩階段訓練流程：
  • 第一階段（圖像理解奠基）： 利用圖像數據進行監督微調（SFT），為模型注入通用知識和推理能力，確保其在圖像任務上具備扎實的基礎。
  • 第二階段（視頻與圖像協同優化）： 在第一階段的基礎上，結合圖像與視頻數據進行聯合訓練，進一步強化模型在視頻理解任務上的表現，同時鞏固其在圖像任務上的理解能力。
• 高質量數據驅動：
  • 豐富的圖像數據集： 涵蓋通用、文本密集型和知識密集型數據集，如 LLaVA Complex Reasoning、ShareGPT-4v、Coco Caption 等，為模型提供全面的視覺基礎。
  • 多樣化的視頻數據集： 包含大規模視頻數據和專門針對長視頻理解任務的數據集，如 LLaVA-Hound、ShareGPT4Video、ActivityNet-QA 等，確保模型在各類視頻任務中的卓越表現。
• 先進的模型架構： 采用 Oryx-ViT 作為視覺編碼器，并以 Qwen2.5 系列作為語言模型（LLM）。模型還為視頻和圖像輸入設計了不同的投影器（projectors），以更好地適應不同模態的輸入特性。

SF-LLaVA-1.5 的應用前景

• 長視頻內容洞察與精煉： 自動生成長視頻摘要，幫助用戶快速掌握視頻核心內容，極大地節省時間。
• 智能視頻問答： 用戶可通過自然語言提問，模型基于長視頻內容提供精準答案，提升人機交互的流暢度。
• 高效視頻剪輯與創作： 自動截取長視頻中的精彩片段，生成短視頻，顯著提高內容創作的效率。
• 增強視頻監控與分析： 實時檢測監控視頻中的異常行為，如人群聚集等，提升監控系統的智能化水平。
• 個性化多媒體內容推薦： 根據用戶的觀看歷史，智能推薦相關長視頻內容，有效提升用戶粘性。

項目鏈接：

• GitHub 倉庫：https://github.com/apple/ml-slowfast-llava
• arXiv 技術論文：https://arxiv.org/html/2503.18943v1