当思考造成伤害：通过帧重复缓解视频推理中的视觉遗忘

多模态大语言模型在复杂视觉任务中展现出巨大潜力，但在视频问答中，延长的思维链过程常因“视觉锚点漂移”导致性能下降，即模型过度依赖自生成文本而忽视视觉输入。现有方法通常引入特定机制让模型在推理时重新关注视觉信息，但往往训练成本高昂且泛化性差。为此，本文提出 FrameRepeat，一种自动化增强框架，包含轻量级重复评分模块，使视频大模型能自主识别需强化的关键帧。我们引入“加一入”（AOI）训练策略，利用模型输出概率生成监督信号以训练帧评分网络，指导帧重复行为。实验表明该方法在多个模型和数据集上均有效且具泛化性。