# InternVideo2.5 – 上海 AI Lab 联合南大、中科院开源的视频多模态大模型

- Link: https://paooo.com/aigc-news/22077/
- Published: 2026-06-08T18:29:51+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 万帧级长视频处理是核心突破，视频长度较前代从3000帧提升到10000帧。
 * 通过LRC、HiCo与TPO，兼顾长上下文建模、关键信息压缩和专业任务适配。
 * 可用于视频检索、内容创作、监控安防和自动驾驶等多类视觉场景。

## InternVideo2.5是什么

InternVideo2.5是上海人工智能实验室联合南京大学、中科院深圳先进技术研究院共同开源
的视频多模态[大模型](https://paooo.com/ai-study/)。在视频理解领域取得了显著进展，
特别是在长[视频处理](https://ai-bot.cn/ai-video-editing-tools/)和细粒度时空感知方面
表现出色。模型能处理长达万帧的视频，视频处理长度较前代提升了6倍，可在长视频中精准
定位目标帧，实现“大海捞针”式的检索。支持通用视频问答，完成目标跟踪、分割等专业视觉
任务。

阅读目录

 * [InternVideo2.5是什么](https://paooo.com/aigc-news/22077/#internvideo25%e6%98%af%e4%bb%80%e4%b9%88)
 * [InternVideo2.5的主要功能](https://paooo.com/aigc-news/22077/#internvideo25%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [InternVideo2.5的技术原理](https://paooo.com/aigc-news/22077/#internvideo25%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [InternVideo2.5的项目地址](https://paooo.com/aigc-news/22077/#internvideo25%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [InternVideo2.5的应用场景](https://paooo.com/aigc-news/22077/#internvideo25%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![InternVideo2.5](https://paooo.com/wp-content/uploads/2026/06/InternVideo2.5-website-
1-1.avif)

## InternVideo2.5的主要功能

 * **超长视频处理**：InternVideo2.5能处理长达万帧的视频，视频处理能力较前代提升了
   6倍（从3000帧提升到10000帧）。能在长视频中精准定位目标帧，实现“大海捞针”式的检索，
   显著提升了视频分析的效率。
 * **细粒度时空感知**：模型能准确识别和定位视频中的物体、场景和动作，理解细微的时空
   关系。支持通用视频问答，完成目标跟踪、分割等专业视觉任务。可以在复杂场景下识别
   物体的运动轨迹和状态变化，为自动驾驶和监控安防等领域提供精准的视觉支持。
 * **多模态融合**：InternVideo2.5将视觉感知和语言理解深度融合，能根据视频内容生成
   详细的描述和回答用户的问题。
 * **专业视觉任务支持**：通过任务偏好优化（TPO），InternVideo2.5能处理多种专业视觉
   任务，如目标跟踪、分割、时间定位等。能根据任务需求动态调整模型的处理策略，在不同
   场景下提供最优的视觉分析能力。
 * **高效预训练与优化**：InternVideo2.5采用渐进式多阶段训练方案，使用超过30万小时
   的视频语料进行预训练。提升模型的性能，降低了训练成本。

## InternVideo2.5的技术原理

 * **长时丰富上下文建模（LRC）**：LRC通过扩展模型的上下文长度和细节感知能力，使InternVideo2.5
   能处理长达万帧的视频。核心在于：
    - **视频长度自适应令牌表示**：根据视频的长度和内容特征动态调整帧采样策略。例如，
      短序列（如秒级视频）采用密集采样（每秒15帧），长序列（如分钟或小时级视频）
      则采用稀疏采样（每秒1帧），确保在不同时间尺度上能有效捕捉运动信息。
    - **分层上下文压缩（HiCo）**：通过分层压缩机制，减少视频信号中的时空冗余，同时
      保留关键信息。具体包括：
       * **时空令牌合并**：基于语义相似性进行令牌合并，非基于位置的简单池化操作。
         在保留细节的同时，显著减少了冗余信息。
       * **多模态上下文整合**：在语言模型处理阶段，进一步整合压缩后的视觉令牌，确保
         视觉和语言信息的深度融合。
 * **任务偏好优化（TPO）**：TPO通过将细粒度视觉任务的标注信息转化为可微分的任务偏好，
   指导模型学习。使InternVideo2.5能处理多种专业视觉任务，如目标跟踪、分割、时间定位
   等。具体实现方式包括：
    - **任务特定组件集成**：在模型中加入任务特定的组件（如时间头、掩码适配器等），
      并通过任务特定数据集进行训练。
    - **视觉概念预训练**：使用大量图像和视频文本对进行预训练，进一步提升模型的视觉
      理解能力。
 * **渐进式多阶段训练方案**：InternVideo2.5采用渐进式多阶段训练方案，逐步提升模型
   的性能：
    - **基础学习阶段**：进行任务识别指令调整和视频语言对齐训练。
    - **细粒度感知训练阶段**：通过集成任务特定组件和视觉概念预训练，增强视觉理解
      能力。
    - **综合优化阶段**：在混合语料库上进行多任务训练和指令调整，优化所有模型组件。
 * **高效分布式系统**：为了支持大规模视频数据的训练和测试，InternVideo2.5开发了基于
   多模态序列并行的分布式系统。系统结合了序列和张量分布式处理，以及动态数据打包技术，
   显著提高了训练效率。

## InternVideo2.5的项目地址

 * **Github仓库**：[https://github.com/OpenGVLab/InternVideo/tree/main/InternVideo2.5](https://github.com/OpenGVLab/InternVideo/tree/main/InternVideo2.5)
 * **HuggingFace模型库**：[https://huggingface.co/OpenGVLab/InternVideo2_5](https://huggingface.co/OpenGVLab/InternVideo2_5_Chat_8B)
 * **arXiv技术论文**：[https://arxiv.org/pdf/2501.12386](https://arxiv.org/pdf/2501.12386)

## InternVideo2.5的应用场景

 * **视频内容理解和检索**：InternVideo2.5能根据用户的文本查询快速找到相关的视频内容，
   支持复杂的视频检索任务。
 * **视频编辑和创作**：InternVideo2.5能为视频编辑提供智能支持，例如自动生成视频的
   精彩片段、生成视频的字幕或解说词。可以根据用户的指令对视频进行剪辑和调整，提高
   视频创作的效率。
 * **监控安防**：在监控安防领域，InternVideo2.5能实时分析监控视频，快速定位异常事件
   并发出警报。
 * **自动驾驶**：InternVideo2.5能实时处理自动驾驶车辆的摄像头数据，准确识别道路标志、
   交通信号和障碍物。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**中科院 ↗**

中科院：国家最高学术机构，面向AI 综合应用场景提供便捷实用的在线功能支持。

❓ 常见问题解答（FAQ）

InternVideo2.5支持多长的视频输入？

文章信息显示，InternVideo2.5可处理长达万帧的视频，较前代视频处理长度提升6倍，从3000
帧提升到10000帧，适合长视频理解、检索和定位任务。

InternVideo2.5适合做哪些视频任务？

它支持通用视频问答、目标跟踪、分割、时间定位等专业视觉任务，也能用于视频内容检索、
自动生成精彩片段、字幕或解说词，覆盖创作与分析场景。

InternVideo2.5的技术亮点是什么？

核心包括长时丰富上下文建模LRC、分层上下文压缩HiCo和任务偏好优化TPO，配合渐进式多
阶段训练与分布式系统，提升长视频理解和多任务能力。

🔬 语宙深潜追问 · 进阶实操拆解

长视频里怎么精准定位关键帧？

先用粗粒度时间检索缩小候选区间，再做细粒度时空对齐和目标感知。工程上要结合分段编码、
关键帧采样和跨模态对齐，避免直接把整段视频塞进模型导致注意力稀释。

视频多模态模型如何服务安防场景？

安防更看重召回率、定位准确率和实时性。落地时应把异常检测、目标跟踪和事件问答拆开
评估，并接入流式视频管线；同时保留可追溯证据帧，方便人工复核和合规审计。

🗳️ 读者观点微投票 · 您的实战立场是？

万帧级长视频理解最难的瓶颈是什么？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [VideoChat-Flash – 上海 AI Lab 等机构推出针对长视频建模的多模态大模型](https://paooo.com/aigc-news/22620/)
 * [Video-XL – 智源联合多所高校推出的开源超长视觉理解模型](https://paooo.com/aigc-news/26008/)
 * [LongVU – Meta AI开源的长视频理解模型](https://paooo.com/aigc-news/26017/)
 * [ExVideo – 阿里和华东师大推出的AI视频长度扩展调优技术](https://paooo.com/aigc-news/27813/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/22077/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
