要点:

北大和中山大学研究者提出的Chat-UniVi是一种统一的视觉语言大模型，能够在统一的视觉表征下同时处理图片和视频任务，且仅需三天训练即可获得130亿参数的通用视觉语言大模型。

Chat-UniVi采用动态视觉token来统一表示图片和视频，通过最近邻的密度峰聚类算法获取动态视觉token，多尺度表征提高了模型的性能，使其在图片和视频的各种任务中取得卓越性能。

Chat-UniVi在图片、视频理解以及问答任务等多个实验中表现卓越，使用更少的视觉token达到了与其他大模型相媲美的性能水平，同时开源了代码、数据集和模型权重。

站长之家11月29日 消息:近日，北京大学和中山大学等机构的研究者提出了一种名为Chat-UniVi的视觉语言大模型，实现了统一的视觉表征，使其能够同时处理图片和视频任务。这一框架的独特之处在于，它不仅在深度学习任务中表现卓越，而且仅需短短三天的训练时间，就能够训练出具有130亿参数的通用视觉语言大模型。

Chat-UniVi的核心方法是采用动态视觉token，通过最近邻的密度峰聚类算法来获取这些动态token。这一方法极大地减少了视觉token的数量，降低了模型的训练和推理成本。研究人员通过实验证明，Chat-UniVi在图片理解、视频理解、问答等多个任务中都表现出色，甚至在较小的参数量下也能超越其他大型模型。

文章还详细介绍了Chat-UniVi的训练过程，分为多模态预训练和联合指令微调两个阶段。这一两阶段的训练策略使得模型能够在混合数据集上进行训练，无需对模型结构进行修改，展现了其在多任务学习上的灵活性和高效性。

Chat-UniVi的成功实验结果包括在图片理解、视频理解、问答等多个任务中都超越了先进的方法。而其在幻觉评估上的优越性更是引人注目，证明了采用动态视觉token和多尺度表征的有效性。

综合而言，Chat-UniVi的提出为视觉语言模型的研究领域带来了新的思路，通过统一的视觉表征实现了对多模态数据的高效处理，为深度学习模型的训练和推理提供了更加便捷和经济的解决方案。