视频链条推理的再思考

链条推理 (CoT) 在自然语言处理中取得了巨大成功，近期的多模态大语言模型 (MLLM) 将这一范式扩展到视频推理。然而，这些模型通常依赖冗长的推理链和大量输入视觉标记。基于我们基准研究的经验观察，我们假设简洁的推理结合减少的视觉标记对有效视频推理足以。为评估此假设，我们设计并验证了一个高效的后训练和推理框架，增强视频 MLLM 的推理能力。我们的框架使模型能够在压缩视觉标记上 operate，并在作答前生成简短的推理痕迹。所得模型在推理效率方面显著提升，跨 diverse benchmark 实现竞争性能，无需依赖手动 CoT 注释或监督微调。总体而言，我们的结果表明，长而类人式的 CoT 推理可能对通用视频推理并非必需，简洁推理既有效又高效。我们的代码将发布于 https://github.com/LaVi-Lab/Rethink_CoT_Video。