LLLMWIKI
ArticleResearch mapReading portalMetadata

Source note · Updated 2026-07-12

VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）按需推理的视频理解框架

#near-cvpr-2025#video-understanding#vision-language#reasoning#efficiency#primary-source

VideoAuto-R1：按需推理的视频理解框架

会议 / 来源：arXiv preprint；CVPR 2026 accepted claim pending official proceedings
发表日期：2026-03-21
资料加入日期：2026-05-12

一句话结论

VideoAuto-R1 用“初始回答—推理—复核回答”训练与置信度 early exit，把语言 CoT 集中给真正困难的视频问题；Qwen2.5-VL 版本把 VideoMMMU 从 54.7% 提升到 58.6%，平均响应为 44 tokens。

论文定位

这篇论文关注视频 MLLM 的推理预算。它发现固定 CoT 在多数感知型视频问题上会增加数百 token，并可能降低精度；真正稳定受益的样本主要涉及数学、物理、符号和多步推理。论文覆盖 VideoQA、temporal grounding 与 grounding QA，体育动作纠正属于迁移应用设想。

方法概述

  1. Answer–Think–Answer：统一输出初始短答案、<think> 推理和复核答案，困难样本允许 fallback。
  2. Dual-answer GRPO：初始/复核答案权重为 0.9/1.1，加入格式奖励和 0.3 fallback bonus。
  3. Confidence early exit：先解码初始答案，平均 token probability 达到阈值 0.97 时直接返回，低置信样本继续推理。

训练使用过滤后的 83K text/image/video 样本；Qwen2.5-VL-7B 与 Qwen3-VL-8B 基座冻结视觉编码器，训练 projector 和 LLM。训练成本为 32×H100、约 35 小时。

核心实验与结果

  • Qwen2.5-VL：VideoMME 66.0→67.3，VideoMMMU 54.7→58.6，MVP 36.5→39.4。
  • 平均响应长度 44 tokens；MVBench think ratio 25%，VideoMMMU 51%。
  • Charades-STA mIoU 52.9→60.0，ActivityNet 26.9→47.6，NExT-GQA accuracy/mIoU 53.3/20.2→80.6/36.7。
  • Temporal grounding 的初始答案、复核答案和 auto 模式结果完全相同，说明语言 CoT 没有继续修正时间边界。

依据：PDF Table 3、4、6、8、9、16；详细定位见 raw/ingest/2026-05-12-videoauto-r1/analysis.md。

关键消融

  • Fixed CoT 在 VideoMME/LongVideoBench 上常与 direct answering 持平或更差。
  • Fixed-CoT RL 响应 149 tokens，VideoAuto-R1 为 44 tokens，并在 VideoMMMU 上更高。
  • 训练期 think/no-think 分类出现 mode collapse；测试时置信度路由更稳定。
  • VideoMMMU 初始平均置信度 0.874、think ratio 51%，获得约 +4 点；MVBench 初始置信度 0.948、think ratio 25%，只提升 0.1 点。
  • 低质量 CoT SFT 将 VideoMME/MVBench/VideoMMMU 降至 60.1/64.0/53.8。

局限或疑问

  • 置信度没有在训练目标中显式校准，跨领域阈值可靠性需要验证。
  • 语言 CoT 对视觉漏检和精确 temporal boundary 的修正能力有限。
  • 响应 token 下降无法代表完整系统延迟；64–2048 帧视觉编码成本仍然存在。
  • 主结果同时受 83K 数据、GRPO、dual-answer reward 和路由机制影响。
  • 体育动作纠正需要额外的姿态、轨迹、错误模式和教练反馈标注。
  • CVPR 2026 accepted claim 等待 official proceedings 核验。

对体育 AI 子线的影响

这篇论文支持“按需解释”机制：第一阶段输出 stroke/error 候选与置信度，高置信样本给短反馈，低置信或多因素样本进入解释和复核。它与 sources/2026-05-12-trackmae 的关系属于潜在上下游组合；当前没有联合实验。

对于 questions/question-badminton-stroke-correction-demo，early exit 可以作为产品策略，教练标注需要同时校准答案正确性、解释正确性和误导风险。

证据评级

  • 视频 QA / temporal grounding：直接证据，中等偏强。
  • 按需推理的 token 效率：直接证据，中等。
  • 体育动作纠正：间接方法证据。
  • CVPR 2026 venue：待官方 proceedings 核验。

原始材料

  • raw/ingest/2026-05-12-videoauto-r1/paper.pdf
  • raw/ingest/2026-05-12-videoauto-r1/paper-text.md
  • raw/ingest/2026-05-12-videoauto-r1/analysis.md
  • raw/ingest/2026-05-12-videoauto-r1/abstract.md
  • raw/ingest/2026-05-12-videoauto-r1/links.yaml

相关页面

Metadata
{
  "id": "2026-05-12-videoauto-r1",
  "type": "source",
  "title": "VideoAuto-R1（arXiv；CVPR 2026 accepted claim pending proceedings）：按需推理的视频理解框架",
  "status": "reviewed",
  "created": "2026-05-12",
  "updated": "2026-07-12",
  "venue": "arXiv / CVPR 2026 accepted claim pending proceedings",
  "published_at": "2026-03-21",
  "ingested_at": "2026-05-12",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "vision-language",
    "reasoning",
    "efficiency",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Liu, Shuming",
    "Zhuge, Mingchen",
    "Zhao, Changsheng",
    "Chen, Jun",
    "Wu, Lemeng",
    "Liu, Zechun",
    "Zhu, Chenchen",
    "Cai, Zhipeng",
    "Zhou, Chong",
    "Liu, Haozhe",
    "Chang, Ernie",
    "Suri, Saksham",
    "Xu, Hongyu",
    "Qian, Qi",
    "Wen, Wei",
    "Varadarajan, Balakrishnan",
    "Liu, Zhuang",
    "Xu, Hu",
    "Bordes, Florian",
    "Krishnamoorthi, Raghuraman",
    "Ghanem, Bernard",
    "Chandra, Vikas",
    "Xiong, Yunyang"
  ],
  "canonical_links": [
    "https://arxiv.org/abs/2601.05175",
    "https://arxiv.org/pdf/2601.05175"
  ],
  "raw_entry": "raw/ingest/2026-05-12-videoauto-r1/",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [
    "entities/sportsmot"
  ],
  "claims": [],
  "questions": [
    "questions/question-badminton-stroke-correction-demo"
  ]
}