盡管視覺語言模型（LVLMs）在圖像與短視頻理解中已取得顯著進展，但在處理長時序、復(fù)雜語義的視頻內(nèi)容時仍面臨巨大挑戰(zhàn) —— 上下文長度限制、跨模態(tài)對齊困難、計算成本高昂等問題制約著其實際應(yīng)用。針對這一難題，廈門大學(xué)、羅切斯特大學(xué)與南京大學(xué)聯(lián)合提出了一種輕量高效、無需微調(diào)的創(chuàng)新框架 ——Video-RAG。該研究已被機器學(xué)習(xí)頂級會議 NeurIPS 2025 接收，為長視頻理解任務(wù)提供了全新的解決思路。

• 項目主頁：https://video-rag.github.io/
• 論文鏈接：https://arxiv.org/abs/2411.13093
• 開源代碼：https://github.com/Leon1207/Video-RAG-master

挑戰(zhàn)：現(xiàn)有方法為何難以勝任？

當(dāng)前主流方案主要分為兩類：

• 擴展上下文法（如 LongVA）：依賴大規(guī)模長視頻 - 文本配對數(shù)據(jù)進行微調(diào)，訓(xùn)練成本高且數(shù)據(jù)稀缺；
• 智能體驅(qū)動法（如 VideoAgent）：通過任務(wù)分解與外部代理決策增強推理，但頻繁調(diào)用 GPT-4o 等商業(yè) API 導(dǎo)致開銷巨大。

更重要的是，兩種方法在長時間跨度下的視覺 - 語義對齊上表現(xiàn)有限，往往犧牲效率換取精度，難以兼顧實用性與可擴展性。

創(chuàng)新：用 “檢索” 打通視覺與語言的橋梁

Video-RAG 提出一種低資源消耗、高語義對齊的新路徑 —— 多模態(tài)輔助文本檢索增強生成（Retrieval-Augmented Generation, RAG），不依賴模型微調(diào)，也不需昂貴的商業(yè)大模型支持。其核心思想是：從視頻中提取與視覺內(nèi)容強對齊的文本線索，按需檢索并注入現(xiàn)有 LVLM 輸入流中，實現(xiàn)精準(zhǔn)引導(dǎo)與語義增強。

具體流程如下：

1. 查詢解耦（Query Decoupling）

將用戶問題自動拆解為多個檢索請求（JSON 格式），指導(dǎo)系統(tǒng)從不同模態(tài)數(shù)據(jù)庫中查找相關(guān)信息，LVLM 此階段僅處理文本，不接觸視頻幀，大幅降低初期計算負(fù)擔(dān)。

2. 多模態(tài)輔助文本構(gòu)建與檢索

利用開源工具構(gòu)建三大語義對齊數(shù)據(jù)庫：

• OCR 文本庫：使用 EasyOCR 提取幀內(nèi)文字，結(jié)合 Contriever 編碼 + FAISS 向量索引，支持快速檢索；
• 語音轉(zhuǎn)錄庫（ASR）：通過 Whisper 模型提取音頻內(nèi)容并嵌入存儲；
• 對象語義庫（DET）：采用 APE 模型檢測關(guān)鍵幀中的物體及其空間關(guān)系，經(jīng)場景圖預(yù)處理生成結(jié)構(gòu)化描述文本。

這些文本不僅與畫面同步，還具備明確語義標(biāo)簽，有效緩解傳統(tǒng)采樣幀缺乏上下文關(guān)聯(lián)的問題。

3. 信息融合與響應(yīng)生成

將檢索到的相關(guān)文本片段、原始問題與少量關(guān)鍵視頻幀共同輸入現(xiàn)有的 LVLM（如 LLaMA-VID、Qwen-VL 等），由模型完成最終推理輸出。整個過程無需微調(diào)、即插即用，顯著降低部署門檻與計算開銷。

可以發(fā)現(xiàn)，在經(jīng)過檢索之后，LVLM 可以將更多的注意力集中到對應(yīng)的關(guān)鍵視覺信息上，減少模態(tài)鴻溝：

優(yōu)勢：輕量、高效、性能卓越

• 即插即用：兼容任意開源 LVLM，無需修改模型架構(gòu)或重新訓(xùn)練。
• 資源友好：在 Video-MME 基準(zhǔn)測試中，平均每問僅增加約 2000 token，遠低于主流 Agent 方法的通信與計算開銷。
• 性能領(lǐng)先：當(dāng)與一個 72B 參數(shù)規(guī)模的開源 LVLM 結(jié)合時，Video-RAG 在多個長視頻理解基準(zhǔn)上超越 GPT-4o 和 Gemini 1.5 等商業(yè)閉源模型，展現(xiàn)出驚人的競爭力。

成果與意義

Video-RAG 的成功驗證了一個重要方向：通過高質(zhì)量、視覺對齊的輔助文本引入外部知識，可以在不改變模型的前提下，突破上下文窗口瓶頸，顯著提升跨模態(tài)理解能力。它不僅解決了長視頻理解中的 “幻覺” 與 “注意力分散” 問題，更構(gòu)建了一套低成本、高可擴展的技術(shù)范式，適用于教育、安防、醫(yī)療影像分析等多種現(xiàn)實場景。