凭借草稿进行思考：高效长视频理解的预测性时序推理

长视频理解是实现类人智能的关键，使能够对扩展的时序上下文进行连贯的感知与推理。虽然新兴的以帧为基础的思考范式——在全局时序推理和局部帧检查之间交替——已推进视频多模态大语言模型 (MLLM) 的推理能力，但由于逐渐增长和冗余的多模态上下文，其效率存在显著瓶颈。为此，我们提出了基于强化学习的 SpecTemp——一种解耦时序感知与推理的预测性时序推理框架。在 SpecTemp 中，轻量级草稿 MLLM 快速探索和提出密集采样时序区域中突出的帧，而强大的目标 MLLM 则专注于时序推理并验证草稿的提议，不断细化注意力直至收敛。这种设计镜像了人类大脑的协作路径，实现了效率与准确性之间的平衡。为支持训练，我们构建了 SpecTemp-80K 数据集，包含粗糙证据跨度和细粒度帧级证据的同步双层标注。在多个视频理解基准测试中进行的实验表明，SpecTemp 不仅保持了有竞争力的准确性，而且在与现有以帧为基础的思考方法相比时显著加快了推理速度。