_{<ol id="pclmn"></ol>}

字節(jié)提出VideoWorld，從自回歸視頻生成模型獲取世界知識(shí)！

AIGC動(dòng)態(tài)4個(gè)月前發(fā)布智猩猩GenAI

481 0 0

VideoWorld：基于未標(biāo)注視頻數(shù)據(jù)訓(xùn)練的自回歸視頻生成模型

原標(biāo)題：字節(jié)提出VideoWorld，從自回歸視頻生成模型獲取世界知識(shí)！
文章來(lái)源：智猩猩GenAI
內(nèi)容字?jǐn)?shù)：10972字

VideoWorld: 從未標(biāo)記視頻中學(xué)習(xí)知識(shí)

本文介紹了VideoWorld，一個(gè)基于未標(biāo)記視頻數(shù)據(jù)訓(xùn)練的自回歸視頻生成模型，它能夠僅從視覺(jué)輸入中學(xué)習(xí)復(fù)雜知識(shí)，例如規(guī)則、推理和規(guī)劃能力。這項(xiàng)研究挑戰(zhàn)了當(dāng)前主要依賴文本數(shù)據(jù)的大型語(yǔ)言模型范式，并探索了視覺(jué)信息在知識(shí)學(xué)習(xí)中的重要性。

1. 研究動(dòng)機(jī)與背景

大型語(yǔ)言模型（LLMs）通過(guò)“下一個(gè)標(biāo)記預(yù)測(cè)”范式學(xué)習(xí)了顯著的世界知識(shí)，但其知識(shí)獲取主要依賴于文本數(shù)據(jù)，無(wú)法完全捕捉所有形式的知識(shí)或涵蓋現(xiàn)實(shí)世界中的大量信息。生物體，特別是靈長(zhǎng)類動(dòng)物，主要通過(guò)視覺(jué)信息學(xué)習(xí)，這啟發(fā)了研究者探索深度生成模型是否能夠僅從視覺(jué)輸入中學(xué)習(xí)復(fù)雜知識(shí)。

2. VideoWorld 模型架構(gòu)

VideoWorld采用了一個(gè)基于自回歸視頻生成器的框架，包含VQ-VAE編碼器-解碼器和一個(gè)自回歸Transformer。為了提高學(xué)習(xí)效率，VideoWorld的核心組件是潛在動(dòng)態(tài)模型（LDM）。LDM通過(guò)壓縮每一幀到其后續(xù)幀的視覺(jué)變化為一組潛在代碼，從而實(shí)現(xiàn)視覺(jué)變化的緊湊表示，這對(duì)于長(zhǎng)期推理和規(guī)劃任務(wù)至關(guān)重要。LDM的輸出與自回歸Transformer無(wú)縫集成，共同生成視頻幀并進(jìn)行任務(wù)操作。

3. 關(guān)鍵技術(shù)：潛在動(dòng)態(tài)模型 (LDM)

LDM旨在解決原始視頻數(shù)據(jù)冗余的問(wèn)題。通過(guò)使用查詢嵌入表示跨多個(gè)幀的視覺(jué)變化，LDM將豐富的視覺(jué)信息壓縮為緊湊的嵌入，提高了學(xué)習(xí)效率。實(shí)驗(yàn)結(jié)果表明，LDM顯著提高了模型的性能和學(xué)習(xí)速度，尤其是在需要長(zhǎng)期推理和規(guī)劃的任務(wù)中。

4. 實(shí)驗(yàn)結(jié)果與分析

VideoWorld在三個(gè)基準(zhǔn)測(cè)試上進(jìn)行了評(píng)估：Video-GoBench、CALVIN和RLBench。

Video-GoBench (圍棋): VideoWorld在該基準(zhǔn)測(cè)試中達(dá)到了5段專業(yè)水平，超過(guò)了基于強(qiáng)化學(xué)習(xí)的KataGo模型，證明了其在掌握復(fù)雜游戲規(guī)則和策略方面的能力。即使是參數(shù)規(guī)模最小的模型也表現(xiàn)出色，并且性能隨著模型規(guī)模的增加而持續(xù)提高。
CALVIN (機(jī)器人控制): VideoWorld有效地學(xué)習(xí)了多樣化的控制操作，并在不同環(huán)境中進(jìn)行了泛化，接近了使用真實(shí)動(dòng)作標(biāo)簽監(jiān)督的模型的性能，這表明LDM有效地支持了基于視頻的知識(shí)學(xué)習(xí)。
RLBench (機(jī)器人控制): VideoWorld在RLBench中也表現(xiàn)出良好的泛化能力，在不同的機(jī)器人環(huán)境中成功完成了任務(wù)，接近Oracle模型的性能，這展示了其作為通用知識(shí)學(xué)習(xí)者的潛力。

實(shí)驗(yàn)結(jié)果驗(yàn)證了兩個(gè)關(guān)鍵發(fā)現(xiàn)：（1）模型可以僅從原始視頻中學(xué)習(xí)基本知識(shí)；（2）視覺(jué)變化的表示對(duì)于知識(shí)學(xué)習(xí)至關(guān)重要。

5. 結(jié)論

VideoWorld成功地從未標(biāo)記視頻數(shù)據(jù)中學(xué)習(xí)了復(fù)雜知識(shí)，證明了基于視頻的知識(shí)學(xué)習(xí)的可行性。潛在動(dòng)態(tài)模型的引入顯著提高了學(xué)習(xí)效率和效果。這項(xiàng)研究為從視覺(jué)數(shù)據(jù)中獲取知識(shí)開(kāi)辟了新的途徑，并為未來(lái)構(gòu)建能夠在現(xiàn)實(shí)世界中思考和行動(dòng)的人工智能系統(tǒng)奠定了基礎(chǔ)。