InternVideo2.5 – 上海 AI Lab 联合南大、中科院开源的视频多模态大模型

InternVideo2.5是什么

InternVideo2.5是上海人工智能实验室联合南京大学、中科院深圳先进技术研究院共同开源的视频多模态大模型。在视频理解领域取得了显著进展，特别是在长视频处理和细粒度时空感知方面表现出色。模型能处理长达万帧的视频，视频处理长度较前代提升了6倍，可在长视频中精准定位目标帧，实现“大海捞针”式的检索。支持通用视频问答，完成目标跟踪、分割等专业视觉任务。

InternVideo2.5的主要功能

超长视频处理：InternVideo2.5能处理长达万帧的视频，视频处理能力较前代提升了6倍（从3000帧提升到10000帧）。能在长视频中精准定位目标帧，实现“大海捞针”式的检索，显著提升了视频分析的效率。细粒度时空感知：模型能准确识别和定位视频中的物体、场景和动作，理解细微的时空关系。支持通用视频问答，完成目标跟踪、分割等专业视觉任务。可以在复杂场景下识别物体的运动轨迹和状态变化，为自动驾驶和监控安防等领域提供精准的视觉支持。多模态融合：InternVideo2.5将视觉感知和语言理解深度融合，能根据视频内容生成详细的描述和回答用户的问题。专业视觉任务支持：通过任务偏好优化（TPO），InternVideo2.5能处理多种专业视觉任务，如目标跟踪、分割、时间定位等。能根据任务需求动态调整模型的处理策略，在不同场景下提供最优的视觉分析能力。高效预训练与优化：InternVideo2.5采用渐进式多阶段训练方案，使用超过30万小时的视频语料进行预训练。提升模型的性能，降低了训练成本。

InternVideo2.5的技术原理

长时丰富上下文建模（LRC）：LRC通过扩展模型的上下文长度和细节感知能力，使InternVideo2.5能处理长达万帧的视频。核心在于：视频长度自适应令牌表示：根据视频的长度和内容特征动态调整帧采样策略。例如，短序列（如秒级视频）采用密集采样（每秒15帧），长序列（如分钟或小时级视频）则采用稀疏采样（每秒1帧），确保在不同时间尺度上能有效捕捉运动信息。分层上下文压缩（HiCo）：通过分层压缩机制，减少视频信号中的时空冗余，同时保留关键信息。具体包括：时空令牌合并：基于语义相似性进行令牌合并，非基于位置的简单池化操作。在保留细节的同时，显著减少了冗余信息。多模态上下文整合：在语言模型处理阶段，进一步整合压缩后的视觉令牌，确保视觉和语言信息的深度融合。任务偏好优化（TPO）：TPO通过将细粒度视觉任务的标注信息转化为可微分的任务偏好，指导模型学习。使InternVideo2.5能处理多种专业视觉任务，如目标跟踪、分割、时间定位等。具体实现方式包括：任务特定组件集成：在模型中加入任务特定的组件（如时间头、掩码适配器等），并通过任务特定数据集进行训练。视觉概念预训练：使用大量图像和视频文本对进行预训练，进一步提升模型的视觉理解能力。渐进式多阶段训练方案：InternVideo2.5采用渐进式多阶段训练方案，逐步提升模型的性能：基础学习阶段：进行任务识别指令调整和视频语言对齐训练。细粒度感知训练阶段：通过集成任务特定组件和视觉概念预训练，增强视觉理解能力。综合优化阶段：在混合语料库上进行多任务训练和指令调整，优化所有模型组件。高效分布式系统：为了支持大规模视频数据的训练和测试，InternVideo2.5开发了基于多模态序列并行的分布式系统。系统结合了序列和张量分布式处理，以及动态数据打包技术，显著提高了训练效率。

InternVideo2.5的项目地址

Github仓库：https://github.com/OpenGVLab/InternVideo/tree/main/InternVideo2.5HuggingFace模型库：https://huggingface.co/OpenGVLab/InternVideo2_5arXiv技术论文：https://arxiv.org/pdf/2501.12386

InternVideo2.5的应用场景

视频内容理解和检索：InternVideo2.5能根据用户的文本查询快速找到相关的视频内容，支持复杂的视频检索任务。视频编辑和创作：InternVideo2.5能为视频编辑提供智能支持，例如自动生成视频的精彩片段、生成视频的字幕或解说词。可以根据用户的指令对视频进行剪辑和调整，提高视频创作的效率。监控安防：在监控安防领域，InternVideo2.5能实时分析监控视频，快速定位异常事件并发出警报。自动驾驶：InternVideo2.5能实时处理自动驾驶车辆的摄像头数据，准确识别道路标志、交通信号和障碍物。