摘要
生成细粒度视频描述是视频理解中的一个基本挑战。在本研究中，我们介绍了Tarsier，这是一系列大规模视频-语言模型，旨在生成高质量的视频描述。Tarsier利用CLIP-ViT分别对帧进行编码，然后使用大型语言模型（LLM）来建模时间关系。尽管其架构简单，但我们通过精心设计的两阶段训练流程证明了Tarsier模型在视频描述能力上显著优于任何现有的开源模型，在人类并排评估中比最强的现有模型高出51.4%。此外，它们的表现与最先进的专有模型相当，相对于GPT-4V具有12.3%的优势，而相对于Gemini 1.5 Pro则有6.7%的劣势。当基于SigLIP和Qwen2-7B升级为Tarsier2时，其性能进一步提升，在与GPT-4o的对比中显示出4.8%的优势。除了视频描述外，Tarsier还被证明是一个多功能的通用模型，在九个公开基准测试中取得了新的最佳结果，包括多项选择视觉问答（VQA）、开放式VQA和零样本视频字幕生成。我们的第二个贡献是引入了一个新的基准——DREAM-1K（https://tarsier-vlm.github.io/），用于评估视频描述模型。该基准包含一个新的具有挑战性的数据集，其中的视频来自多样化的来源且复杂度各异，并配有一个专门设计的自动方法来评估细粒度视频描述的质量。我们已将我们的模型和评估基准公开发布在https://github.com/bytedance/tarsier。