Long-VITA – 騰訊優(yōu)圖聯(lián)合南大、廈大開源的多模態(tài)模型

Long-VITA是什么

Long-VITA 是由騰訊優(yōu)圖實驗室、學(xué)和廈門大學(xué)共同開源的一款多模態(tài)模型，具有處理超過100萬tokens的長文本輸入的能力，并在短文本任務(wù)中表現(xiàn)優(yōu)異。該模型采用分階段訓(xùn)練的方式，逐步提升視覺與語言的上下文理解能力，支持圖像、視頻及文本等多種輸入形式。Long-VITA利用動態(tài)分塊編碼器對高分辨率圖像進(jìn)行處理，并通過上下文并行分布式推理技術(shù)支持無限長度輸入的處理。其訓(xùn)練使用了多個開源數(shù)據(jù)集，包括漫畫摘要和電影劇情，已在多個多模態(tài)基準(zhǔn)測試中取得了新的SOTA（State-of-the-Art）性能。

Long-VITA的主要功能

• 卓越的長文本處理能力：具備處理超過100萬tokens的能力，適用于長文本、長視頻和高分辨率圖像的多模態(tài)任務(wù)。
• 多模態(tài)理解能力：支持圖像、視頻和文本輸入，適合視頻理解、高分辨率圖像分析和長文本生成等應(yīng)用。
• 擴(kuò)展上下文能力：通過分階段訓(xùn)練逐步增加模型的上下文窗口，同時保持短文本任務(wù)的高效表現(xiàn)。
• 開源數(shù)據(jù)進(jìn)行訓(xùn)練：利用開源數(shù)據(jù)集進(jìn)行模型訓(xùn)練，無需依賴內(nèi)部數(shù)據(jù)，降低了開發(fā)的門檻。
• 良好的可擴(kuò)展性：支持上下文并行的分布式推理，能夠處理無限長度的輸入，適合大規(guī)模的應(yīng)用部署。

Long-VITA的技術(shù)原理

• 分階段訓(xùn)練：
  • 視覺與語言的對齊：凍結(jié)語言模型和視覺編碼器，僅訓(xùn)練投影器，以建立初步的視覺和語言特征連接。
  • 通用知識的學(xué)習(xí)：利用圖像-文本數(shù)據(jù)進(jìn)行多任務(wù)學(xué)習(xí)，增強模型對通用知識的理解能力。
  • 長序列的微調(diào)：逐步擴(kuò)展上下文長度（從128K到1M），引入長文本和視頻理解數(shù)據(jù)，優(yōu)化模型對長內(nèi)容的解析能力。
• 上下文并行分布式推理：采用張量并行和上下文并行的技術(shù)，支持對無限長度輸入的推理，解決長文本處理的內(nèi)存瓶頸。
• 動態(tài)分塊編碼器：采用動態(tài)分塊策略高效處理高分辨率圖像，支持多種寬高比的輸入。
• 掩碼語言建模頭：在推理階段基于掩碼輸出logits，顯著降低內(nèi)存消耗，支持大規(guī)模的長文本生成。

Long-VITA的項目地址

• GitHub倉庫：https://github.com/VITA-MLLM/Long-VITA
• HuggingFace模型庫：https://huggingface.co/VITA-MLLM
• arXiv技術(shù)論文：https://arxiv.org/pdf/2502.05177v1

Long-VITA的應(yīng)用場景

• 視頻內(nèi)容生成：自動生成視頻摘要、字幕或?qū)σ曨l提出相關(guān)問題的回答。
• 圖像分析：輔助藝術(shù)創(chuàng)作、醫(yī)學(xué)影像診斷及衛(wèi)星圖像分析等領(lǐng)域。
• 長文本處理：用于生成小說、學(xué)術(shù)論文或文檔摘要。
• 智能對話系統(tǒng)：在客服、教育和智能家居等場景中，通過文字、圖像和視頻與用戶進(jìn)行互動。
• 實時會議輔助：提供實時翻譯、字幕生成及會議記錄的自動化處理。

常見問題

• Long-VITA支持哪些類型的輸入？：Long-VITA支持圖像、視頻和文本等多種輸入類型。
• 如何獲取Long-VITA的使用權(quán)限？：用戶可以通過訪問其開源GitHub倉庫獲取使用權(quán)限和相關(guān)資料。
• Long-VITA的性能如何？：Long-VITA在多個多模態(tài)基準(zhǔn)測試中展示了領(lǐng)先的性能，尤其在長文本處理方面。
• 是否需要專門的硬件支持？：Long-VITA的上下文并行分布式推理設(shè)計使其能夠在多種硬件環(huán)境中高效運行。