SER：利用语义证据奖励学习视频推理的 grounding

视频多模态大模型在细粒度时空推理方面常表现不佳，易基于无关帧或对象生成正确答案。尽管输出时空证据是可行方向，但现有强化学习框架多依赖仅几何（IoU）的奖励，对边界扰动敏感且忽视语义对齐。为此，本文提出语义证据奖励（SER），将时空证据 grounding 重构为约束验证任务。SER 利用裁判视觉语言模型作为局部检查器，从相关性和定位质量两个维度评估模型生成的证据主张，并结合时间惩罚。该方法减少了对密集框标注的依赖，可直接在标准视频问答数据上训练。在 V-STAR 基准测试中，SER 取得了 49.6% 的 mLGM，较强基线 Open-o3-Video 提升 3.0 个点，展示了其在提升答案准确性和证据 grounding 方面的潜力。