线索至关重要：利用潜在视觉线索赋能视频推理

多模态大语言模型虽推动了视频推理发展，但视频问答仍面临时序因果推理与证据 grounded 答案生成的挑战。现有端到端框架缺乏显式结构化推理，导致严重幻觉且可解释性差。受人类分层视觉认知启发，本文提出 ClueNet，一种感知线索的视频推理框架。该方法采用两阶段监督微调范式，解耦监督对齐线索提取与链式推理，并结合自适应线索过滤优化高阶推理。实验表明，ClueNet 在多个基准上超越最先进方法，显著减少幻觉并提升推理效率与泛化能力。