🔥 今日值得一读
仅用1250样本、零视频问答标注，SAVER让稀疏帧推理反超密集帧基线！
Less from More: Reinforcing Sparse Video Reasoning from Dense References
👨💼 主理人解读 · 为什么值得关注
让视频模型在只看少量帧时也能可靠推理，可用于降低视频理解推理成本。
📖 AI 总结
该研究挑战了视频语言模型中“时间观测越多推理越可靠”的常见假设，提出真正的挑战在于如何在有限时间证据下进行可靠推理。作者提出SAVER框架，一种从密集到稀疏的后训练方法，利用密集视频视图作为训练时的参考，通过 grounding 奖励和可靠性门控参考奖励优化配对视图，促使稀疏视图预测保留任务相关的时间证据。值得注意的是，SAVER仅使用1250个随机采样的时间定位样本训练，未使用任何视频问答标注。在三个时间定位基准和六个视频问答基准上，SAVER在不同帧预算下均持续提升性能，甚至能以显著更少的帧数匹配或超越密集帧的Qwen3.5基线。这表明时间定位可作为学习稀疏视频推理的有效证据定位代理，并能迁移至更广泛的视频理解任务。
🔑 关键词速览
| SAVER | 一种从密集到稀疏的后训练框架，利用密集视频视图作为训练参考，提升稀疏帧推理的可靠性。 |
| 时间定位（Temporal Grounding） | 在视频中定位与任务相关的时间片段或证据，是视频理解中的一项关键任务。 |
| 强化后训练（Reinforcement Post-training） | 在预训练模型基础上，使用强化学习进一步优化模型行为，以适应特定任务或约束。 |
| 可靠性门控参考奖励（Reliability-gated Reference Reward） | 一种奖励机制，根据参考视图的可靠性动态调整奖励信号，引导稀疏视图学习保留关键证据。 |
| 帧预算（Frame Budget） | 模型推理时可使用的视频帧数量限制，用于衡量计算效率与性能的权衡。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅