VideoPASTA：用于视频-LLM 对齐的 7K 偏好对

视频语言模型（Video-LLMs）在理解视频内容方面表现出色，但在空间关系、时间顺序和跨帧连续性方面存在挑战。为此，我们引入VideoPASTA（Preference Alignment with Spatio-Temporal-Cross Frame Adversaries），通过针对性偏好优化来增强Video-LLMs。VideoPASTA训练模型区分准确的视频表示与刻意违反空间、时间或跨帧关系的对抗性示例。仅凭 7020 个偏好对和直接偏好优化，VideoPASTA即可实现模型学习稳健表征，从而捕获细粒度空间细节和长程时间动态。实验表明，VideoPASTA对模型具有无偏好性，且在各种最先进的Video-LLMs上显著提升性能，例如在LongVideoBench上提升最高达 +3.8 个百分点，在VideoMME上提升 +4.1，在MVBench上提升 +4.0。这些结果表明，针对性对齐而非大规模预训练或架构修改，有效解决了视频语言挑战的核心问题。值得注意的是，VideoPASTA无需任何人工标注或标述，仅依赖 32 帧采样。这种效率使其成为一种可扩展的即插即用解决方案，无缝集成到现有模型中，同时保留其原始能力。