摘要
强化学习虽提升了大语言模型的推理能力，但仅靠结果奖励难以指导视频多模态大模型定位关键视觉证据。受多感官整合启发，本文提出共识帧 GRPO（CF-GRPO），一种无需时间标注的过程级奖励框架。该方法利用内在视频线索构建共识帧先验，计算模型帧使用得分，并通过共识帧奖励优化两者一致性。实验表明，VideoCFR 在复杂视频推理基准上表现优异，显著优于现有基线，同时提供了可解释的证据帧视图。
AI 推荐理由
论文核心提出基于共识帧对齐的视频推理奖励框架，直接提升多模态模型的推理能力。
研究机构
深圳大学信息科学与工程学院，深圳，中国
北京邮电大学网络与通信工程学院，北京，中国
华为云与AI BU，深圳，中国
新加坡国立大学计算机学院，新加坡
论文信息