近日，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。

相较于上一版本的Video-XL，该模型在多个维度全面优化了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。

Video-XL-2 的模型架构示意图：

在模型架构设计上，Video-XL-2 主要由三个核心组件构成：视觉编码器（Visual Encoder）、动态 Token 合成模块（Dynamic Token Synthesis, DTS）以及大语言模型（LLM）。

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。

• 项目主页：https://unabletousegit.github.io/video-xl2.github.io/
• 模型hf链接：https://huggingface.co/BAAI/Video-XL-2
• 仓库链接：https://github.com/VectorSpaceLab/Video-XL