单卡3090帮你一口气看完《黑悟空》，港大百度超长视频理解引擎

AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

今天向大家介绍一项来自香港大学黄超教授实验室的最新科研成果VideoRAG。这项创新性的研究突破了超长视频理解任务中的时长限制，仅凭单张RTX 3090 GPU (24GB)就能高效理解数百小时的超长视频内容。

论文标题：VideoRAG: Retrieval-Augmented Generation with Extreme Long-Context Videos
论文链接：https://arxiv.org/abs/2502.01549
代码开源地址：https://github.com/HKUDS/VideoRAG
实验室主页：https://github.com/HKUDS

VideoRAG 采用了创新的多模态知识索引框架，将这些海量视频内容浓缩为简洁、结构化的知识图谱，从而支持跨视频推理。其多模态检索范式能够有效对齐文本语义与视觉内容，确保从多个长视频中精准检索出相关片段，生成全面而精确的回答。

此外，研究团队还建立了全新的LongerVideos基准数据集，包含160+个视频，涵盖了讲座、纪录片和娱乐等类别，为该领域的未来研究提供了有力支持。

总的来说，VideoRAG 拥有以下优势：

高效理解数百小时的超长视频内容
将视频内容浓缩为结构化的知识图谱
采用多模态检索以精准响应查询
建立了全新的长视频基准数据集

研究背景

RAG （Retrieval-Augmented Generation）技术通过在推理阶段引入外部知识，显著增强了预训练大语言模型（LLM）的能力。然而，当前成熟的 RAG 框架主要聚焦于文本领域，在视频理解任务中的应用仍面临诸多限制。视频数据包含丰富的视觉、语音和文本等多模态异构信息，尤其是在处理超长视频（如系列讲座、纪录片）时，跨视频语义关联和长时序依赖建模成为两大核心挑战。现有的端到端方法受限于上下文长度或 GPU 显存，难以高效处理长达数小时甚至更长的视频内容；而其他框架通常采用截断或分片处理策略，导致上下文信息割裂，跨视频知识整合困难。此外，如何在大规模视频库中高效检索相关内容仍是亟待解决的难题。

针对上述挑战，我们提出了一种创新的 RAG 框架 ——VideoRAG，旨在实现高效且全面的超长视频理解。在索引阶段，VideoRAG 采用双通道索引架构，通过构建文本知识图谱建模跨视频片段的语义关联与时序依赖，并结合层级化的多模态特征编码，保留细粒度的视频信息；在检索阶段，引入自适应混合检索范式，融合知识图谱与多模态特征嵌入，精准识别与查询最相关的视频内容。在首个超长跨视频理解基准数据集LongerVideos上的多维度评估表明，VideoRAG 展现了卓越的长视频理解能力，为复杂视频场景下的知识提取与整合提供了新的解决方案。

VideoRAG 框架设计

VideoRAG 通过多模态知识索引和知识驱动的信息检索，高效地捕捉、组织和检索视频中的视觉、音频和语义信息，支持为无限时长的视频输入生成准确的响应，为理解超长视频提供了全新的解决方案。

双通道多模态视频知识索引

与传统文本文档不同，视频通过视觉、音频和文本等多模态传递信息。传统的文本 RAG 方法在视频内容理解上存在显著局限，主要体现在无法直接捕捉视觉动态、难以保持视频帧间的时间依赖性，以及难以处理视觉与文本之间的跨模态交互。VideoRAG 采用双通道架构，高效组织和索引长时间视频内容，同时保留多模态信息的语义丰富性：

基于图的文本知识对齐
视觉 - 文本对齐：将视频均匀划分为多个短片段，并从每个片段中均匀采样不超过 10 帧，以高效提取关键视觉元素。随后通过视觉语言模型（VLM）生成自然语言描述，捕捉对象、动作和场景动态；
音频 - 文本对齐：通过自动语音识别（ASR）技术转录视频中的对话和叙述，并与视觉描述融合，生成统一的语义表示；
跨视频知识图谱：基于大语言模型（LLMs）识别实体与关系，构建全局知识图谱，并支持增量式跨视频语义整合（如实体合并、动态演化），确保跨视频内容的一致性与关联性。
多模态上下文编码
使用多模态编码器将视觉信息与文本查询映射到同一特征空间，实现高效的语义检索，同时保留难以通过文本描述的视觉细节，如光照变化和复杂对象特征。

混合多模态检索范式

我们提出了一个创新的多模态检索方法，结合语义理解和视觉上下文，精准识别与查询相关且信息量丰富的视频片段，生成更准确的回答:

文本语义匹配：通过知识图谱中的实体匹配找到相关文本块，包括查询重构、实体匹配、文本块选择和视频片段检索等步骤；
视觉内容匹配：将查询重写为描述性语句，与多模态编码器编码的视频片段嵌入进行跨模态检索；
LLM 过滤机制：利用 LLMs 进一步评估视频片段的相关性，生成关键词以综合相关信息，确保生成的回答既符合语义连贯性，又与查询高度相关。

内容整合与响应生成

在检索到相关的视频片段后，我们实现了两阶段的内容提取过程。首先，我们通过 LLMs 从查询中提取关键词，然后与采样帧一同作为 VLM 的输入，生成更详细的视觉描述。最终，VideoRAG 利用通用的大语言模型（如 GPT-4 或 DeepSeek ）根据查询和检索到的内容生成准确的响应。

实验评估

我们在首个超长跨视频理解基准数据集 LongerVideos 上对 VideoRAG 进行了全面的实证评估，涵盖了与现有 RAG 方法（NaiveRAG、GraphRAG、LightRAG）、支持超长视频输入的 LVMs（LLaMA-VID、NotebookLM、VideoAgent）的性能对比，以及模型组件的消融实验（-Graph、-Vision）和具体案例分析。

LongerVideos 基准数据集与评估指标

我们构建了LongerVideos数据集，包含164 个视频（总时长超过 134 小时），涵盖讲座、纪录片和娱乐三大类别，最长视频是完整的《黑悟空》游戏通关攻略视频，长达约 21.36 小时。LongerVideos 支持对跨视频推理能力的评估，打破了当前视频问答基准数据集中普遍存在的单视频时长不足 1 小时和单视频理解场景的限制。

我们采用两种评估协议来衡量模型的性能：

胜率评估：使用基于 LLM 的判断，通过 GPT-4o-mini 对不同模型生成的回答进行排名，并提供解释性反馈；
定量评估：在胜率比较的基础上，加入分数评定，为每个查询设定标准答案，并采用 5 分制（1 为最差，5 为最好）进行评估。

我们从五个维度对模型进行评估：

全面性（Comprehensiveness）：评估回答覆盖的广度；
赋能性（Empowerment）：评估回答如何帮助读者更好地理解和做出判断；
可信度（Trustworthiness）：评估回答的可信度，包括细节信息的充分性和与常识的一致性；
深度（Depth）：评估回答是否具备深入分析；
信息密度（Density）：评估回答中相关信息的浓缩程度，避免冗余。

性能对比

与 RAG 方法对比（使用胜率评估）：
VideoRAG 的卓越性能：VideoRAG 在所有维度指标和所有视频类型上均显著优于 NaiveRAG、GraphRAG 和 LightRAG 等基线。说明基于知识图与多模态上下文编码的索引能够有效捕捉和组织视频中的视觉动态和语义信息，此外混合多模态检索范式通过将文本语义匹配与基于视觉内容嵌入的检索相结合，有效提升了跨视频检索精度；
进一步基线模型对比分析：相较于 NaiveRAG，VideoRAG 在全面性和赋能性维度具有更为显著的优势，源于我们通过高效的知识索引框架整合跨视频信息，实现更全面的检索与生成。相较于 GraphRAG 和 LightRAG，VideoRAG 依托多模态上下文融合和查询感知检索，在视觉 - 文本信息对齐和精准内容选择上更具优势，使回答更具语境连贯性和理解深度，在知识驱动的视频问答任务中显著领先。

与支持超长视频输入的 LVMs 模型对比（使用定量评估，以 NaiveRAG 为基线）：VideoRAG 在所有维度指标和所有视频类型上均显著优于 LLaMA-VID、NotebookLM 和 VideoAgent 等基线，改进主要归因于：
增强的长上下文建模：通过图增强的多模态索引与检索机制，VideoRAG 有效处理跨视频知识连接和依赖关系，超越了 LLaMA-VID 等模型在处理长视频时的计算限制；
卓越的多模态融合：VideoRAG 擅长融合视觉、音频和文本信息，提供更精细的跨模态对齐与全面理解，明显优于专注于单一模态的模型，如 VideoAgent（视觉）和 NotebookLM（语音转录）。