摘要
长视频推理受限于模型获取和利用视觉证据的方式。现有框架常将时间定位与答案推理交织，导致早期语义假设偏差引发“过早语义承诺”。为此，本文提出基于 Qwen3-VL 的 EFlow 框架，通过分离时间定位与逻辑推理的思维链，实现先检索证据后推断答案。此外，引入置信度感知的反思机制，在证据不足时重新评估全视频。经监督微调与强化学习训练，EFlow 在五个基准测试中显著提升了长视频推理性能。
AI 推荐理由
论文核心解决长视频推理中的证据偏差问题，提出自适应反思机制显著提升推理性能。
研究机构
北京大学电子工程与计算机科学学院
香港科技大学
论文信息