Act2See：视频推理中涌现的主动视觉感知

视觉语言模型通常依赖静态初始帧进行视频推理，限制了动态信息的整合。现有方法虽在思维链中增加帧信息，但质量欠佳且缺乏合成假设场景视觉信息的能力。本文提出 Act2See 框架，通过在文本思维链中交错插入视频帧，赋予模型主动视觉感知能力。该模型经高质量推理轨迹监督微调，能自主决定检索或合成视觉证据。实验表明，Act2See 在多个基准测试中取得最先进结果，显著提升了视频推理性能。