Hybrid-Level Instruction Injection for Video Token Compression in Multi-modal Large Language Models

主要内容

1. 研究背景
   多模态大语言模型（MLLMs）在处理视频任务时面临计算开销大的问题，现有压缩方法（如平均池化）因缺乏指令引导导致信息丢失。

2. 方法
   提出混合级指令注入策略（HICom），通过以下方式实现条件令牌压缩：

   • 局部压缩：将视频帧特征分组，利用指令条件在每组内进行注意力机制压缩。
   • 全局压缩：通过可学习令牌和指令条件在整体视频中提取关键信息。
   • 条件预训练：构建HICom-248K数据集，在对齐阶段和指令微调阶段之间引入新的预训练阶段。

3. 实验结果

   • 在三个多选QA基准上平均提升2.43%，令牌数量减少78.8%。
   • 在ActivityNet等开放式基准上达到SOTA性能。

4. 结论
   HICom通过混合级压缩和条件预训练，在减少计算负担的同时显著提升视频理解能力，为MLLMs提供了高效解决方案。