AI 模型目前很难处理不同的数据流，如果要让 AI 理解视频，需要整合视频、音频和文本等不同模态的信息，这大大增加了难度。

谷歌和谷歌 Deepmind 的研究人员提出了新的方法，将多模态理解扩展到长视频领域。

借助 Mirasol AI 模型，该团队试图解决两个关键挑战：

•  

  需要以高频采样同步视频和音频，但要异步处理标题和视频描述。

   

•  

  视频和音频会生成大量数据，这会让模型的容量紧张。

   

谷歌在 Mirasol 中使用合路器（combiners）和自回归转换器（autoregressive transformer）模型。

该模型组件会处理时间同步的视频和音频信号，然后再将视频拆分为单独的片段。

转换器处理每个片段，并学习每个片段之间的联系，然后使用另一个转换器处理上下文文本，这两个组件交换有关其各自输入的信息。

名为 Combiner 的新颖转换模块从每个片段中提取通用表示，并通过降维来压缩数据。每个段包含 4 到 64 帧，该模型当前共有 30 亿个参数，可以处理 128 到 512 帧的视频。

在测试中，Mirasol3B 在视频问题分析方面达到了新的基准，体积明显更小，并且可以处理更长的视频。使用包含内存的组合器变体，该团队可以将所需的计算能力进一步降低 18%。

IT之家在此附上 Mirasol 的官方新闻稿，感兴趣的用户可以深入阅读。