7 月 8 日消息，據(jù)小米技術(shù)消息，計(jì)算機(jī)視覺國際大會(huì) ICCV 2025 論文錄用結(jié)果公布，小米兩篇論文憑借創(chuàng)新性研究成果成功入選：視頻理解大模型核心技術(shù) Q-Frame，推出行業(yè)首個(gè)動(dòng)態(tài)幀選擇與分辨率自適應(yīng)框架，實(shí)現(xiàn)即插即用；持續(xù)學(xué)習(xí)框架 Analytic Subspace Routing (Any-SSR)，成功解決大語言模型在持續(xù)學(xué)習(xí)領(lǐng)域的核心難題「災(zāi)難性遺忘」問題。
據(jù)介紹，計(jì)算機(jī)視覺國際大會(huì) ICCV 與國際計(jì)算機(jī)視覺與模式識(shí)別會(huì)議 CVPR、歐洲計(jì)算機(jī)視覺國際會(huì)議 ECCV 并稱為計(jì)算機(jī)領(lǐng)域世界三大頂級(jí)學(xué)術(shù)會(huì)議，每兩年舉辦一次。其中，ICCV 2025 年投稿量達(dá) 11239 篇，錄用率為 24%。上述兩篇論文代表了小米 AI 團(tuán)隊(duì)在基座大模型領(lǐng)域的最新探索成果，其中視頻理解大模型核心技術(shù) Q-Frame 由小米 AI 團(tuán)隊(duì)全面自研，大模型持續(xù)學(xué)習(xí)框架 Any-SSR 由小米 AI 團(tuán)隊(duì)聯(lián)合華南理工大學(xué)攻關(guān)。
全自研視頻理解大模型核心技術(shù) Q-Frame
在視頻理解大模型（Video-LLMs）的研究中，小米 AI 團(tuán)隊(duì)針對傳統(tǒng)“均勻幀采樣”處理方式存在時(shí)間碎片化信息丟失、盲目采樣及算力浪費(fèi)等問題痛點(diǎn)，推出全自研的 Q-Frame 核心技術(shù)，該成果以論文《Q-Frame: Query-aware Frame Selection and Multi-Resolution Adaptation for Video-LLMs》入選 ICCV 2025。
Q-Frame 作為視頻理解大模型核心技術(shù)，是行業(yè)首個(gè)動(dòng)態(tài)幀選擇與分辨率自適應(yīng)框架，也是首個(gè)無需訓(xùn)練，市面上各類視頻理解大模型基座均可即插即用的算法框架。Q-Frame 擁有三大行業(yè)首次創(chuàng)新，能夠精準(zhǔn)理解視頻內(nèi)容與用戶問題，通過精準(zhǔn)捕捉跟用戶問題最相關(guān)的視頻關(guān)鍵內(nèi)容，將有效信息量提升 5 倍：
-
跨模態(tài)查詢檢索（Cross-modal Query Retrieval, CQR）
-
查詢感知幀選擇（Query-aware Frame Selection, QFS）
-
多分辨率自適應(yīng)（Multi-Resolution Adaptation, MRA）
在 MLVU 評測集上，Q-Frame 使 Qwen2-VL 的理解準(zhǔn)確率從 55.5% 提升至 65.4%；在 LongVideoBench 上，讓 GPT-4o 的準(zhǔn)確率從 53.3% 提升到 58.6% 。此外，其多分辨率自適應(yīng)特性可根據(jù)內(nèi)容重要性和查詢需求動(dòng)態(tài)調(diào)整幀分辨率，避免算力浪費(fèi)。
通過采用動(dòng)態(tài)查詢感知幀選擇和多分辨率自適應(yīng)，Q-Frame 還有效解決了「均勻幀采樣」策略下時(shí)間碎片化的信息丟失、問題無感知的盲目采樣和分辨率一刀切的算力浪費(fèi)三大難題。與傳統(tǒng)均勻選幀、統(tǒng)一處理方式不同，在有限計(jì)算資源下，Q-Frame 可使模型更高效準(zhǔn)確理解視頻。
此外，Q-Frame 具有即插即用（plug-and-play）的特點(diǎn)，可與市場上現(xiàn)有的各類視頻理解大模型兼容，無論是開源模型還是閉源模型，無需對模型進(jìn)行額外的訓(xùn)練或微調(diào)。以 VILA-V1.5 和 Qwen2-VL 等開源模型為例，在集成 Q-Frame 后，這些模型在視頻理解任務(wù)上的性能均得到了顯著提升。同樣，對于閉源的 GPT-4o 模型，Q-Frame 也展現(xiàn)出了良好的兼容性，進(jìn)一步證明了其廣泛的適用性。
Q-Frame 在小米「人車家全生態(tài)」戰(zhàn)略中有著多元的應(yīng)用場景，目前正在持續(xù)探索和落地：小米 YU7 發(fā)布時(shí)提到的哨兵模式中，能夠分清楚普通的風(fēng)吹草動(dòng)和可能帶來剮蹭、碰撞的危險(xiǎn)行為；智能家居中，能夠在監(jiān)控畫面中找到最關(guān)鍵的畫面，幫助用戶解答問題；在小愛視頻問答場景中，可以直接定位到視頻中能夠解答問題的片段開始播放等。
大模型持續(xù)學(xué)習(xí)框架 Any-SSR
在大語言模型（LLMs）持續(xù)學(xué)習(xí)（Continual Learning, CL）領(lǐng)域，往往會(huì)因新任務(wù)的學(xué)習(xí)而導(dǎo)致對舊任務(wù)知識(shí)的遺忘，即災(zāi)難性遺忘問題。小米 AI 團(tuán)隊(duì)聯(lián)合華南理工大學(xué)針對這一難題開展研究，其成果《Analytic Subspace Routing: How Recursive Least Squares Works in Continual Learning of Large Language Model》成功入選 ICCV 2025。
Any-SSR 框架作為行業(yè)首個(gè)將遞歸最小二乘法（Recursive Least Squares, RLS）引入大語言模型持續(xù)學(xué)習(xí)的技術(shù)框架，通過分析路由機(jī)制，動(dòng)態(tài)地把不同任務(wù)分配到獨(dú)立子空間學(xué)習(xí)，避免任務(wù)間知識(shí)干擾，創(chuàng)新性解決了大語言模型持續(xù)學(xué)習(xí)中災(zāi)難性遺忘問題。同時(shí)，利用低秩適應(yīng)（Low-Rank Adaptation, LoRA）與分析路由相結(jié)合的方式，實(shí)現(xiàn)了新舊知識(shí)的無縫整合與動(dòng)態(tài)學(xué)習(xí)。
在一系列技術(shù)創(chuàng)新的基礎(chǔ)上，Any-SSR 方法實(shí)現(xiàn)了“近乎完美”的知識(shí)保留（即不遺忘），同時(shí)能無縫地學(xué)習(xí)新知識(shí)。在實(shí)驗(yàn)中，Any-SSR 在 TRACE 基準(zhǔn)測試上的表現(xiàn)顯著優(yōu)于其他方法，包括多任務(wù)學(xué)習(xí)（MTL）等，不僅在整體性能（OP）上取得了優(yōu)異成績，還實(shí)現(xiàn)了零反向知識(shí)轉(zhuǎn)移（BWT）。
IT之家從小米技術(shù)獲悉，過去五年，小米集團(tuán)研發(fā)投入約 1020 億元，在 2025 年的 300 億研發(fā)投入中，大約有四分之一將被用于 AI 相關(guān)方向。未來五年（2026-2030 年），小米還將在核心技術(shù)賽道再投入 2000 億元。