VISTA：通过训练-free 动态链式思考路由消除视频-LLM 中的语义惯性
计算机视觉与模式识别
2026-01-08 v3 人工智能
摘要
最近的大语言模型研究成功地转向了系统 2 推理，但将这些范式应用于视频理解仍具有挑战性。尽管现有研究将视频-LLM 的失败归因于感知局限，但我们的实证分析揭示了一种称为语义惯性的认知错位，其中模型倾向于抑制有效的视觉证据，而遵从主导的语言先验。为弥补这一不足，我们提出了 VISTA，一个旨在将感知与逻辑推理对齐的训练-free 框架。通过动态路由推理路径并将潜在的视觉特征物化为显式的文本锚点，我们的方法有效地平衡了参数化知识的影响。此外，我们引入了潜在推理共识机制以缓解随机幻觉。VISTA 在广泛的基准测试中表现出色，分别在 Egochema 上优于基础模型 9.3%，在 VideoEspresso 上优于 5.6%，与更大且专有的模型一道，甚至超过。我们的数据代码将很快公开。
引用
@article{arxiv.2505.11830,
title = {VISTA: Mitigating Semantic Inertia in Video-LLMs via Training-Free Dynamic Chain-of-Thought Routing},
author = {Hongbo Jin and Jiayu Ding and Siyi Xie and Guibo Luo and Ge Li},
journal= {arXiv preprint arXiv:2505.11830},
year = {2026}
}
备注
19 pages, 7 figures