VideoLatent：通过潜在自强制进行的视频 - 语言学习

近期思维链（CoT）推理提升了多模态大模型的视频理解能力，但现有方法依赖昂贵标注且计算开销巨大。针对视觉潜在推理局限于图像任务且需额外监督的问题，本文提出 VideoLatent。该模型引入专为视频设计的潜在注入模块，采用仅需标准视频问答三元组的“潜在自强制”训练范式，包含潜在对齐与多样性目标。实验表明，VideoLatent 在 14 个基准测试中优于现有模型，显著降低训练与推理开销，并具备强大的泛化性。