Chain-of-Glimpse：用于视频理解的搜索引导式渐进对象基推理

视频理解需跨帧识别并推理语义判别性视觉对象，但现有方案难以应对随时间变化的对象差异。为此，本文提出 Chain-of-Glimpse，一种搜索引导的渐进式对象基推理框架，将每一步推理显式锚定于特定视觉证据区域，以实现组合式多步决策。该方法通过强化学习优化搜索控制器，利用格式奖励激励接地能力，迭代构建可靠推理轨迹。在 NExTQA 及多个域外基准上的评估表明，该方法在多样性视频推理任务中具有一致的性能提升、鲁棒性及泛化能力。