视频推理模型准备好走向户外了吗？

针对视觉语言模型在真实场景（如天气、遮挡）中理解与推理能力显著下降的问题，本文提出 ROVA 训练框架。该框架通过建模时空扰动下的鲁棒性感知一致性奖励，并结合基于自我反思评估的难度感知在线策略，实现自适应训练以增强鲁棒性。此外，文章引入 PVRBench 基准测试集，注入真实扰动以评估模型表现。实验表明，ROVA 显著缓解了性能退化，在多个基准上大幅提升了准确率与推理质量。