单卡搞定万帧视频理解智源新模型12秒编码2048帧视频
单张显卡，就能处理万帧视频输入，并且编码2048帧视频仅需12秒！
国产开源模型又上大分，这次是在长视频理解领域：
智源研究院联合上海交通大学等机构，正式发布新一代超长视频理解模型Video-XL-2。
长视频理解是多模态大模型关键能力之一。尽管OpenAI GPT-4o、Google Gemini等私有模型已在该领域取得显著进展，当前的开源模型在效果、计算开销和运行效率等方面仍存在明显短板。
而Video-XL-2相较于上一版本的Video-XL，在多个维度全面优化了开源多模态大模型对长视频内容的理解能力：
- 效果更佳：Video-XL-2在长视频理解任务中表现出色，在MLVU、Video-MME、LVBench等主流评测基准上达到了同参数规模开源模型的领先水平。
- 长度更长：新模型显著扩展了可处理视频的时长，支持在单张显卡上高效处理长达万帧的视频输入。
- 速度更快：Video-XL-2大幅提升了处理效率，编码2048帧视频仅需12秒，显著加速长视频理解流程。
目前，Video-XL-2的模型权重已全面向社区开放。未来，该模型有望在影视内容分析、异常行为监测等多个实际场景中展现重要应用价值。
