思维流重要吗？评估 Gemini 视觉语言模型在视频场景理解中的推理能力

本文基准测试了内部推理轨迹（称为“思维流”）如何影响视觉语言模型的视频场景理解。通过在 100 小时视频提取的场景上评估 Google Gemini 2.5 Flash 系列模型，研究了思考量与输出质量的关系及收益拐点。文章提出了内容充实度、思维 - 最终覆盖率和主导实体分析三项指标。研究发现，额外思考带来的质量提升迅速趋于平稳，主要改进发生在前几百个 token。严格的推理预算会导致模型产生未经理由的“压缩步幻觉”。尽管模型层级不同，其思维流内容相似但风格各异。