VLM 是通过自适应测试时优化进行视频推理的优秀教师

针对现有视频生成模型（VGM）在视频推理任务中难以理解规则导致逻辑失败的问题，本文提出将视觉语言模型（VLM）从“求解者”转变为“教师”的新范式。该方法利用 VLM 强大的感知能力提取任务规则并构建可微奖励，通过测试时在线优化轻量级 LoRA 模块来指导 VGM 推理器。实验表明，该方法在符号及通用视频推理基准上平均性能提升 16.7 分，显著优于现有范式，证明了集成 VLM 作为测试时教师是实现泛化视频推理的有效途径。