Universidade de Pequim acelera em 1,45 vez o carregamento de vídeos para treinar IA

Pesquisadores da Universidade de Pequim, sob a liderança do acadêmico Wen Gao, propuseram o codec4AI: uma forma de armazenar e ler vídeo ajustada à carga real do treinamento de redes neurais. Em um grande corpus de robótica, a variante DDRA H.265 alcançou 1,45× de vazão no carregamento de dados em comparação com a configuração LeRobot v3, que os autores adotaram como referência. O volume de dados de mídia é 58,7% menor, e a qualidade da reconstrução é comparável. O artigo foi publicado no arXiv (2610.33079), e o código e a documentação estão em acesso aberto.

Por que os codecs atrapalham o treinamento

Os codecs de vídeo padrão foram criados para reprodução: os quadros vêm em sequência, e a compressão extrai o máximo das referências entre quadros vizinhos. A maioria dos quadros é armazenada como diferença em relação a outros. Por isso, para exibir um único quadro, é preciso reconstruir a cadeia de referências dele a partir do quadro-chave mais próximo.

O treinamento funciona de outro jeito. Datasets de robótica para modelos VLA e outros sistemas multimodais amostram quadros de forma aleatória no tempo. O dataloader pede um quadro do meio do clipe, e o decodificador desenrola fielmente tudo o que for necessário para entregá-lo.

Os autores chamam esse efeito de decode amplification e apontam duas fontes:

• reconstrução sequencial de quadros não relacionados, que ninguém solicitou;
• reconstrução das cadeias de referências necessárias para os próprios quadros-alvo.

Os contornos habituais penalizam o armazenamento. Quadros JPEG independentes ou GOPs curtos aliviam a carga do decodificador, mas inflam o volume de armazenamento e de tráfego. Na escala de centenas de milhares de episódios, isso rapidamente vira um item relevante de custo.

Duas alavancas: decodificação esparsa e DDRA

Os pesquisadores atacaram as duas causas ao mesmo tempo, alinhando o cronograma de decodificação à estrutura de referências.

O primeiro componente, o dependency-aware sparse decoding, reconstrói apenas os quadros solicitados e as referências sem as quais eles não podem ser montados. Todo o resto é ignorado. Não é preciso recodificar os vídeos originais, então o método pode ser aplicado a datasets já acumulados.

O segundo componente, o Dependency-Decoupled Random Access (DDRA), é opcional e funciona como codificação offline. Cada quadro interno referencia apenas as duas âncoras intracodificadas que o delimitam. A predição entre quadros é mantida, de modo que a compressão continua eficiente, e as cadeias longas de dependências desaparecem.

Juntas, as duas técnicas impõem um limite rígido: para cada quadro solicitado, há no máximo três quadros a reconstruir (o alvo e as duas âncoras). Esse teto não depende da duração do período intra, ou seja, o GOP pode ser longo em nome da compactação, sem custo em tempo de decodificação.

O que mostraram as medições

Os experimentos usaram um grande corpus de dados de robótica, e o ponto de comparação foi a configuração LeRobot v3. Resultados do DDRA H.265:

• 58,7% menos dados de mídia;
• 1,45× de vazão no carregamento de dados;
• qualidade de reconstrução de quadros comparável;
• resultados comparáveis em tarefas de VLA, WAM e VLM com configurações de compressão adequadas (experimentos separados dos autores).

O último ponto é o mais importante na prática. O ganho de velocidade não vale nada se o modelo treinado com quadros muito comprimidos tiver desempenho pior. Os autores verificaram essa questão separadamente em três tipos de modelo e destacam uma ressalva: o resultado vale para configurações de compressão adequadas, não para qualquer bitrate.

Entre os autores estão Zetian Song, Qize Yu, Yue Chen, Shiyu Huang, Siwei Ma e Wen Gao. O projeto está ligado ao ecossistema LeRobot e recomenda explicitamente não usar o armazenamento de vídeo padrão dele.

Quem deveria rodar o benchmark

Os primeiros candidatos a testar são as equipes que treinam políticas para manipuladores e humanoides com datasets do LeRobot. Nesses casos, o vídeo responde pela maior parte do volume, e o loader costuma esbarrar na decodificação, não na GPU. Se a aceleração de 1,45 vez se confirmar no hardware e no padrão de amostragem dessas equipes, cada época ficará mais rápida.

A economia de 58,7% no volume também importa independentemente da velocidade. Ela reduz os custos de armazenamento, de cópia entre clusters e de carregamento a partir de armazenamentos remotos.

O roteiro é claro. O sparse decoding pode ser testado em dados existentes, sem recodificação, e, se o carregamento acelerar de forma perceptível, dá para avançar para o DDRA e a recodificação offline do acervo. Antes disso, vale rodar o próprio conjunto de tarefas em diferentes níveis de compressão, como fizeram os autores, e confirmar que as métricas do modelo downstream não caíram.

O repositório ainda é modesto, mas por ser aberto permite comparar a abordagem com o pipeline atual usando dados próprios.