ViLAMP-蚂蚁联合人民大学推出的视觉语言模型

文章来源：智汇AI 发布时间：2025-06-12

ViLAMP（VIdeo-LAnguage Model with Mixed Precision）是蚂蚁集团和中国人民大学联合推出的视觉语言模型，专门用在高效处

暂无访问

ViLAMP是什么

ViLAMP（VIdeo-LAnguage Model with Mixed Precision）是蚂蚁集团和中国人民大学联合推出的视觉语言模型，专门用在高效处理长视频内容。基于混合精度策略，对视频中的关键帧保持高精度分析，显著降低计算成本提高处理效率。ViLAMP在多个视频理解基准测试中表现出色，在长视频理解任务中，展现出显著优势。ViLAMP能在单张A100 GPU上处理长达1万帧（约3小时）的视频，同时保持稳定的理解准确率，为长视频分析提供新的解决方案。

ViLAMP的主要功能

长视频理解：支持处理长达数小时的视频。关键信息提取：精准提取视频中的关键信息，同时压缩冗余信息。高效计算：在单张A100 GPU上处理长达1万帧（约3小时）的视频，显著降低内存和计算成本，提高处理效率。多任务处理：支持多种视频理解任务，如视频内容问答、动作识别、场景理解等。

ViLAMP的技术原理

差分关键帧选择：基于贪心算法选择与用户查询高度相关且具有时间多样性的关键帧。确保选中的关键帧既能捕捉重要信息，避免冗余。差分特征合并：对非关键帧进行压缩，将每个非关键帧的多个patch合并为单个token。基于差分加权池化，赋予与用户查询相关且具有独特性的patch更高的权重，同时降低与关键帧重复的patch的权重。保留关键信息的同时，显著减少计算量。