[220] VideoRoPE: What Makes for Good Video Rotary Position Embedding?

[lianam-tl]

paper

TL;DR

• I read this because.. : Qwen3-VL에서 사용했다는 interleaved mRoPE가 이해가 안되어서.
• task : RoPE in video LLM
• problem : mRoPE에서 head dimension을 3등분 해서 사용하는데, temporal 차원이 앞부분에 할당되는게 이상하다.
• idea : temporal을 가장 뒤로 (low frequency)로 할당하자.
• input/output : {video, question} -> answer
• architecture : ViT from Qwen2-7B, Qwen-7B LLM
• objective : CE loss
• baseline : Vanilla RoPE, mRoPE, RoPE-TIE
• data : 1.3M video pair from LLaVA-Video-178k
• evaluation : LongVideoBench, MLVU, Video-MME, V-NIAH, V-NIAH-D(proposed)
• result : Video-MME를 제외하고 성능이 더 좋고, extrapolate도 더 잘한는듯.
• contribution : 간단 sota
• etc. :

Details

Exisiting

• RoPE general

watch here

Q와 K에 각각 각도 변환 ([[cos, -sin], [sin, cos]]) 을 시키는데, 이 각도 변환을 시킨걸 self-attention 연산을 하게 되면 (m-n) (상대 거리)에 대한 각도변환으로만 나오게 됨.
이때 우리의 Q, K 벡터는 2차원이 아니라 n차원이기 때문에 이에 대한 trick으로 각각 2로 나눠서 저 rotation weight 연산을 해주게 됨.

이때 저기 곱해지는 theta가 dimension이 높을수록 (뒤에 있는 dimension일 수록) 작아져서 (m-n)의 변화에 조금 씩 움직이는 low-frequency가 됨.

• mRoPE
  https://github.com/huggingface/transformers/blob/v4.57.1/src/transformers/models/qwen2_5_vl/modeling_qwen2_5_vl.py#L545-L587

위의 $R_{\theta,m}^d$ 에서 position ids(=m)을 구하는 계산식만 (w, h, t)로 나누어진다고 보면 됨.

# Q = [batch size, n heads, query len, head dim]
# K = [batch size, n heads, key len, head dim]
# V = [batch size, n heads, value len, head dim]
		
# k.permute(0, 1, 3, 2) = [batch size, n heads, head dim, key len]
energy = torch.matmul(Q, K.permute(0, 1, 3, 2)) / self.scale
# energy = [batch size, n heads, query len, key len]

부끄럽지만 헷갈렸는데 head_dim 끼리 dot product를 해서 scalar를 구하는 거기 때문에 이걸 나눠서 dot product로 해서 더해도 같은 것임 ㅎㅎ;

why is this wrong?

Round and Round We Go! What makes Rotary Positional Encodings useful? https://arxiv.org/abs/2410.06205
high frequency는 local 한 정보를 뽑고 low frequency는 long context를 뽑는다는 관찰.

Proposed

Result