英伟达于近日发布全新视觉语言模型Eagle 2.5，这款仅8B参数的AI在长视频理解领域实现突破。该模型在Video-MME基准测试（512帧输入）中斩获72.4%准确率，性能直指Qwen2.5-VL-72B等大参数量级竞品。
Eagle 2.5的核心突破源自两项创新技术：信息优先采样通过图像区域保留技术，将原始图像有效信息保留率提升至60%以上，同时自动降级采样系统能根据上下文动态平衡图文输入比例。渐进式后训练策略使模型逐步适应从32K到128K的上下文窗口扩展，避免过拟合特定数据长度。
为支撑长视频理解能力，英伟达构建了专属的Eagle-Video-110K数据集。该数据集采用双重标注机制：既有基于GPT-4生成的章节级故事描述，也包含GPT-4o标注的片段级问答对，通过余弦相似度筛选确保数据多样性。在长视频任务中，该模型对≥128帧内容的理解准确率提升23%。
性能测试显示，Eagle 2.5在MVBench视频理解测试中取得74.8分，较前代提升18%；在DocVQA文档图像解析测试中，以94.1%准确率刷新行业纪录。消融实验证实，移除渐进式训练会导致长视频任务性能下降12%，而取消信息优先采样会令图像细节识别率降低9%。
目前该模型已集成SigLIP视觉编码器，支持4K分辨率图像处理。在汽车故障检测实测中，系统通过3分钟行车记录仪视频，成功识别出涡轮增压器异常震动征兆，响应速度较传统方案快3倍。
英伟达透露，Eagle 2.5技术将优先应用于医疗影像分析和工业质检领域。其轻量化特性使得在边缘设备部署成为可能，单张RTX 4090显卡即可实现每秒45帧的实时视频解析。开发套件预计在6月向合作伙伴开放测试。
原创文章，作者：AI，如若转载，请注明出处：https://www.kejixun.com/article/716210.html
