自从 Sora 发布以来，AI 视频生成领域变得更加「热闹」了起来。过去几个月，我们见证了即梦、Runway Gen-3、Luma AI、快手可灵轮番炸场。
和以往一眼就能识破是 AI 生成的模型不太一样，这批视频大模型可能是我们所见过的「最好的一届」。
然而，视频大语言模型（LLM）惊艳表现的背后离不开庞大且经过精细标注的视频数据集，这需要花费相当高的成本。近期研究领域也涌现了一批无需额外训练的创新方法：采用训练好的图像大语言模型，直接用于视频任务的处理，这样就绕开了「昂贵」的训练过程。
此外，现有大多视频 LLM 存在两个主要缺点：（1）它们只能处理有限帧数的视频输入，这使得模型难以捕捉视频中细微的空间和时间内容；（2）它们缺少时间建模设计，而是简单地将视频特征输入到 LLM 中，完全依赖于 LLM 对运动的建模能力。
针对以上问题，苹果研究人员提出了 SlowFast-LLaVA（简称 SF-LLaVA）。这一模型基于字节团队开发的 LLaVA-NeXT 架构，无需额外微调，开箱即用。研究团队受在动作识别领域大获成功的双流网络的启发，为视频 LLM 设计了一套新颖的 SlowFast 输入机制。
简单来说，SF-LLaVA 将通过两种不同的观察速度（Slow 和 Fast）来理解视频中的细节和运动。
- 慢速路径：低帧率提取特征，同时尽可能多地保留空间细节（例如每 8 帧保留 24×24 个 token）
- 快速路径：高帧率运行，但用较大的空间池化步长降低视频的分辨率，以模拟更大的时间上下文，更专注于理解动作的连贯性
这相当于模型拥有两只「眼睛」：一只慢慢看，注意看细节；另一只快速看，注意看动作。这样就解决了大多现有的视频 LLM 的痛点，既能捕捉到详细的空间语义，又能捕捉到更长的时间上下文。
论文链接：https://arxiv.org/pdf/2407.15841
实验结果显示，SF-LLaVA 在所有基准测试中均以显著的优势超越了现有免训练方法。与精心微调的 SFT 模型相比，SF-LLaVA 能达到相同性能，甚至更好。
模型架构
如下图所示，SF-LLaVA 遵循标准的免训练视频 LLM 流程。它以视频 V 和问题 Q 作为输入，输出对应的答案 A。
对于输入，要从每个视频任意大小和长度中均匀采样 N 帧，I = {I_1, I_2, ..., I_N}，不需要对选取的视频帧进行特别的组合或排列。以帧为单位视独立提取频特征为 F_v ∈ R^N×H×W，其中 H 和 W 分别是帧特征的高度和宽度。
下一步需要在慢速和快速两个路径中进一步处理 F_v，并将它们结合起来作为有效的视频表示。慢速路径从 F_v 中均匀采样
的帧特征，其中
。
此前有研究发现，在空间维度上适当池化可以提高视频生成的效率和鲁棒性。因此，研究团队在 F_v 上应用步长为 σ_h×σ_w 的池化过程，得到最终特征：
，其中
，
。慢速路径的整个过程如公式 2 所示。
快速路径保留 F_v 中的所有帧特征，以尽可能多地捕捉视频的长程时间上下文。具体来说，研究团队使用空间池化步长
对 F_v 进行激进的下采样，得到最终特征
。研究团队设置
、
，使得快速路径能专注于模拟时间上下文和运动线索。慢速路径的整个过程如公式 3 所示。
最后，获得聚合的视频特征：
，其中 flat 和 [, ] 分别表示展平和连接操作。如表达式所示，
不需要任何特殊的 token 来分隔慢速和快速路径。SF-LLaVA 总共使用
个视频 token。视频的视觉特征
将和文本信息（比如用户提出的问题）将被组合在一起，作为输入数据送入大型语言模型（LLM）进行处理。
SlowFast 流程如公式 4 所示。
实验结果
研究团队对 SF-LLaVA 进行了全面的性能评估，将其与当前 SOTA 免训练模型（如 IG-VLM 和 LLoVi）在多个视频问答任务中进行了对比。此外，他们还将其与经过视频数据集监督微调（SFT）的视频 LLM，例如 VideoLLaVA 和 PLLaVA 进行了比较。
开放式视频问答
如下表所示，在开放式视频问答任务中，SF-LLaVA 在所有基准测试中都比现有的免训练方法表现得更好。具体来说，当分别搭载 7B 和 34B 参数规模的 LLM 时，SF-LLaVA 分别在 MSRVTT-QA 上比 IGVLM 高出 2.1% 和 5.0%，在 TGIF-QA 上高出 5.7% 和 1.5%，在 ActivityNet-QA 上高出 2.0% 和 0.8%。
即使与经过微调的 SFT 方法相比，SF-LLaVA 在大多数基准测试中也展现了可比的性能，只有在 ActivityNet-QA 这一基准上，PLLaVA 和 LLaVA-NeXT-VideoDPO 略胜一筹。
多项选择视频问答
从下表中可见，在所有基准测试中，SF-LLaVA 在多项选择视频问答的表现都优于其他免训练方法。在要求复杂长时序推理的 EgoSchema 数据集中，SF-LLaVA7B 和 34B 的版本相较 IG-VLM 模型的得分分别高出 11.4% 和 2.2%。
虽然 VideoTree 在基准测试中领先，因为它是基于 GPT-4 的专有模型，因而性能远高于开源 LLM。与 SFT 方法相比，SF-LLaVA 34B 模型在 EgoSchema 上也取得了更好的结果，这证实了 SlowFast 设计处理长视频方面的强大能力。
Text Generation
文生视频
如表 3 所示，对于文本生成视频的任务，SF-LLaVA 也显示出了一些优势。SF-LLaVA-34B 在整体表现上超越了所有免训练的基准。尽管在细节取向方面，SF-LLaVA 略逊于 LLaVA-NeXT-Image。基于 SlowFast 设计，SF-LLaVA 可以用更少的视觉 token 覆盖更长的时间上下文，因此在时间理解任务中表现得格外出色。
此外，在文生视频的表现上，SF-LLaVA-34B 也优于大多数 SFT 方法。
更多细节，请参考原论文。
