查找、修复、推理：视频推理的上下文修复

强化学习已推动大型多模态模型中的视频推理，但主导性管道要么依赖于基于模型知识边界的自探索，出现性能平台化；要么采用混合回放，混合多种策略且需要精心正则化。动态上下文方法聚焦于关键证据，但往往需要精心策划的预训练和两阶段调优，其上下文受限于小模型的能力。相反，大型模型在指令遵循和多模态理解方面表现出色，能够为小型模型提供更丰富的上下文，快速通过简单工具聚焦目标区域。基于此能力，我们引入一种观察层面的干预：一个冻结的、集成工具的教师识别缺失的时空依赖关系，并从原始视频中提供最小证据片段（例如时间戳、区域等），而问题保持不变。学生在添加了上下文后再次作答，训练以选择的 rollout方案集成到组相对策略优化（GRPO）中。我们进一步提出了鲁棒性改进奖励（RIR），以两个目标进行优化：通过正确答案实现结果有效性，通过反思所引用证据来实现依赖对齐。优势在批次上进行组归一化，既保留了基于策略的探索，又通过最小化对训练堆栈的更改，将其引导沿有因果意义的方向。在various相关基准测试上的实验显示出一致的准确率提升和强大的概括能力。代码将在 https://jethrojames.github.io/FFR/ 上提供。