Video-Thinker：通过强化学习激发“视频思考”
计算机视觉与模式识别
2025-10-28 v1
摘要
近期图像推理方法的进展，特别是“图像思考”，已在多模态大语言模型(MLLM)中取得了显著成功；然而，这种动态推理范式尚未扩展到视频推理任务。在本文中，我们提出了Video-Thinker，它通过自主利用模型内在的“定位”和“描述”能力，在整个推理过程中生成推理线索，从而赋予MLLM视频思考的能力。为激发这种能力，我们构建了Video-Thinker-10K，一个精心策划的数据集，其中包含在思维链推理序列中的自主工具使用。我们的训练策略首先使用监督微调(SFT)来学习推理格式，然后使用组相对策略优化(GRPO)来强化这种推理能力。通过这种方法，Video-Thinker使MLLM能够自主地导航定位和描述任务以进行视频推理，消除了构建和调用外部工具的需要。大量实验表明，Video-Thinker在域内任务和具有挑战性的域外视频推理基准测试（包括Video-Holmes、CG-Bench-Reasoning和VRBench）上均取得了显著的性能提升。我们的Video-Thinker-7B显著优于Video-R1等现有基线，并在7B规模的MLLM中建立了最先进的性能。
引用
@article{arxiv.2510.23473,
title = {Video-Thinker: Sparking "Thinking with Videos" via Reinforcement Learning},
author = {Shijian Wang and Jiarui Jin and Xingjian Wang and Linxin Song and Runhao Fu and Hecheng Wang and Zongyuan Ge and Yuan Lu and Xuelian Cheng},
journal= {arXiv preprint arXiv:2510.23473},
year = {2025}
}