英伟达发布 Eagle 2.5 视觉言语 AI 模型：8B 参数比美 GPT-4o

liukang20242个月前 (05-07)吃瓜快乐115

IT之家 4 月 23 日音讯，科技媒体 marktechpost 昨日（4 月 22 日）发布博文，报导称英伟达最新推出 Eagle 2.5，一款专心于长上下文多模态学习的视觉-言语模型（VLM）。

该模型专心于了解大规划视频和图画，特别拿手处理高分辨率图画和长视频序列。虽然参数规划仅为 8B，Eagle 2.5 在 Video-MME 基准测验（512 帧输入）中得分高达 72.4%，比美 Qwen2.5-VL-72B 和 InternVL2.5-78B 等更大规划模型。

立异练习战略

Eagle 2.5 的成功离不开两项要害练习战略：信息优先采样（Information-First Sampling）和渐进式后练习（Progressive Post-Training）。

信息优先采样经过图画区域保存（IAP）技能，保存超越 60% 的原始图画区域，一起削减宽高比失真；主动降级采样（ADS）则依据上下文长度动态平衡视觉和文本输入，保证文本完整性和视觉细节的优化。

渐进式后练习逐渐扩展模型上下文窗口，从 32K 到 128K token，让模型在不同输入长度下保持安稳功能，防止过拟合单一上下文规模。这些战略结合 SigLIP 视觉编码和 MLP 投影层，保证了模型在多样化使命中的灵活性。

定制数据集

Eagle 2.5 的练习数据管道，整合了开源资源和定制数据集 Eagle-Video-110K，该数据集专为了解长视频规划，选用两层标示办法。

自上而下的办法选用故事级切割，结合人类标示章节元数据、GPT-4 生成的密布描绘；自下而上的办规律使用 GPT-4o 为短片段生成问答对，抓取时空细节。

经过余弦类似度（cosine similarity）挑选，数据集着重多样性而非冗余，保证叙事连贯性和细粒度标示，明显提高了模型在高帧数（≥128 帧）使命中的体现。

功能体现

Eagle 2.5-8B 在多项视频和图画了解使命中体现出色。在视频基准测验中，MVBench 得分为 74.8，MLVU 为 77.6，LongVideoBench 为 66.4；在图画基准测验中，DocVQA 得分为 94.1，ChartQA 为 87.5，InfoVQA 为 80.4。

融化研讨（Ablation studies）标明，IAP 和 ADS 的移除会导致功能下降，而渐进式练习和 Eagle-Video-110K 数据集的参加则带来更安稳的提高。

IT之家附上参阅地址

Eagle 2.5: Boosting Long-Context Post-Training for Frontier Vision-Language Models
GitHub 页面
项目页面

告发/反应

标签: 伟达 Eagle 2.5 AI 8B

返回列表

668FUN吃瓜网