DynFrame：面向复杂视频理解的自适应推理驱动多模态框架及动态帧增强

近期视频多模态大语言模型虽结合了逐步推理与按需视觉证据检索，但仍存在采样密度不可学习、检索与生成奖励耦合两大结构缺陷。本文提出 DynFrame 框架，将时间窗口与采样密度作为原生令牌在单次自回归中输出，实现可学习的跨度 - 密度检索。此外，引入段解耦 GRPO 算法，在检索边界分割轨迹并分配角色特定的令牌级优势，分别评估采样决策与答案生成。实验表明，该模型在多个基准测试中表现优异，刷新了多项最先进记录。