UpstreamQA：一种用于视频问答任务显式推理的模块化框架

视频问答（VideoQA）要求模型联合推理空间、时间及语言线索。当前大型多模态模型通常隐式执行复杂的多步推理，导致决策过程不透明。相比之下，大型推理模型能生成明确的中间逻辑步骤，增强可解释性并提升多跳推理准确率，但缺乏原生视频理解能力。本文提出 UpstreamQA，一种模块化框架，利用多模态大型推理模型进行物体识别和场景上下文生成，将丰富的推理轨迹传递给下游多模态模型以完成问答。实验表明，引入显式推理能显著提升性能与可解释性，但在基线性能较高时可能导致退化。该框架为结合显式推理与多模态理解提供了原则性方法。