CollabVR：基于视觉 - 语言与视频生成模型的协作视频推理

近期“视频思维”方法利用视频生成模型（VGM）生成连贯帧链进行视觉推理，但在长程任务中易出现漂移和误差累积。本文提出 CollabVR，一种闭环协作框架，在步骤粒度上耦合视觉语言模型（VLM）与 VGM。VLM 规划即时动作、检查生成片段，并将诊断结果融入下一步提示以修复失败。实验表明，该方法在多个基准上显著优于单一推理及测试时扩展基线，且与推理微调正交可叠加，有效提升了复杂任务的推理能力。