先思考后评分：用于视频奖励建模的解耦推理与评分机制

针对现有视频奖励模型在判别式方法易受捷径学习影响、生成式方法因推理与评分耦合导致优化困难的问题，本文提出 DeScore 模型。该模型采用“先思考后评分”的解耦范式：首先由多模态大语言模型生成显式的思维链推理，随后通过专用的判别式评分模块预测最终奖励。通过两阶段训练框架，包括引入随机掩码的判别式冷启动和双目标强化学习，独立优化推理质量并校准奖励，确保高质量推理直接转化为优越的模型性能，显著提升了泛化能力与训练稳定性。