长视频理解 自适应推理 置信度评估 视觉语言模型
摘要

针对长视频理解中现有系统对所有样本采用统一推理流程的问题,本文提出 CADER 框架。该方法首先进行全局推理并估算答案置信度,使高置信度样本提前退出;对不确定样本则激活第二阶段工具增强循环,结合时间裁剪与重采样逐步定位关键证据。实验表明,CADER 在多个基准上提升了长视频推理性能,并能以无需训练的方式实现自适应推理,仅需无工具思维链监督即可达到竞争力。

AI 推荐理由

论文提出动态证据推理框架,核心在于根据置信度自适应调整推理深度,显著优化长视频推理能力。

研究机构
西北工业大学计算机科学学院 北京大学电子与计算机工程学院 清华大学计算机科学与技术系
论文信息
作者 Jinlong Yang, Wenhao Zhang, Kuanwei Lin, Sijie Cheng
发布日期 2026-07-27
arXiv ID 2607.24582
相关性评分 9/10 (高度相关)