VIDEOP2R：从感知到推理的时间视频理解
计算机视觉与模式识别
2026-04-21 v2 人工智能
机器学习
摘要
强化微调（RFT）是由监督微调（SFT）和强化学习（RL）组成的两个阶段框架，已在提升大型语言模型（LLM）推理能力方面显示出前景。然而，将RFT扩展到大型视频语言模型（LVLMs）仍存在挑战。我们提出了VideoP2R，一个新颖的面向过程的时间RFT框架，通过将感知和推理建模为两个独立的过程来增强视频推理。在SFT阶段，我们开发了一个三步管线，用于生成VideoP2R-CoT-162K，这是一个高质量的、面向感知和推理的过程感知链式思维（CoT）数据集。在RL阶段，我们引入了一种新颖的面向过程的相对策略优化（PA-GRPO）算法，为感知和推理分别提供奖励。大量实验表明，VideoP2R在六个七个视频推理和理解基准测试中实现了最先进（SotA）性能。消融研究进一步确认了我们面向过程建模和PA-GRPO的有效性，并表明模型的感知输出对下游推理具有信息充分性。我们的项目页面位于https://videop2r.github.io/videop2r/。
引用
@article{arxiv.2511.11113,
title = {VIDEOP2R: Video Understanding from Perception to Reasoning},
author = {Yifan Jiang and Yueying Wang and Rui Zhao and Toufiq Parag and Zhimin Chen and Zhenyu Liao and Jayakrishnan Unnikrishnan},
journal= {arXiv preprint arXiv:2511.11113},
year = {2026}
}
备注
CVPR Findings 2026