从模仿到直觉：开放实例视频分类的内在推理

传统视频分类模型作为有效的模仿者，在数据分布均匀的场景中表现突出。然而，现实应用常面临开放实例挑战，其中类内变异巨大且复杂，超出现有基准测试的范围。虽然传统视频编码模型难以适应这些多样化的分布，但视觉语言模型（VLM）具有更好的泛化能力，却未充分利用其为此类任务提供的推理能力（直觉）。本文通过一种内在推理框架弥合这一差距，将开放实例视频分类从模仿演进到直觉。我们的方法称为DeepIntuit，首先通过冷启动监督对齐初始化推理能力，随后利用Group Relative Policy Optimization (GRPO)通过强化学习来增强推理连贯性。关键的是，为将这种推理转化为准确的分类，DeepIntuit引入了直觉校准阶段。在该阶段中，训练一个分类器，基于经强化学习精炼后的VLM生成的内在推理痕迹，确保知识传递稳定且无分布不匹配。广泛的实验表明，对于开放实例视频分类，DeepIntuit显著受益于超越简单的特征模仿，走向内在推理。我们的项目地址为https://bwgzk-keke.github.io/DeepIntuit/。