TIR-Flow：基于冻结视频语言模型的主动视频搜索与推理
计算机视觉与模式识别
2026-01-13 v1
摘要
尽管大型视频语言模型（Video-LLM）在感知方面取得了显著进展，但其推理能力仍然是制约瓶颈。现有方法通常采用重型的数据工程范式——综合大规模链式思考（Chain-of-Thought, CoT）数据集后进行监督微调（SFT）和强化学习（RL）。该流程主要优化概率采样效率并对输出分布进行对齐，但未能激发动态视觉探索所需的内在智能。本文提出TIR-Flow，一种一种新框架，使其从被动处理范式转向主动视频搜索与推理，且无需额外数据或参数更新。具体而言，本框架通过三个协同模块实现：HDD将复杂查询分解为一组可验证子任务；HAP主动引导视觉注意力以收集假设验证的高分辨率证据；EBA维持持久工作空间以累积和更新发现的线索以进行逻辑推理。对七个基准进行的广泛实验表明，TIR-Flow显著优于最近的强大基线，平均性能提升5.9%，在Egoschema上提升可达10.5%。我们的分析确认，赋予冻结VLMS以类System-2主动感知是解决长期视频推理的可扩展路径。
引用
@article{arxiv.2601.06176,
title = {TIR-Flow: Active Video Search and Reasoning with Frozen VLMs},
author = {Hongbo Jin and Siyi Xie and Jiayu Ding and Kuanwei Lin and Ge Li},
journal= {arXiv preprint arXiv:2601.06176},
year = {2026}
}