Tool-using Agents Long-horizon Reasoning Reinforcement Learning Video Understanding
摘要

针对超长第一人称视频中时空稀疏证据导致的推理挑战,现有CoTT智能体因缺乏恢复机制易产生误差传播。本文提出SCOUT框架,引入自适应策略动态平衡局部放大(开发)与区域切换(探索),实现鲁棒的多跳推理。为解决长视界信用分配难题,开发了UPS-GRPO方法,通过不确定性优先策略优化及回合级优势分解,结合结果奖励与时序对齐奖励,显著提升训练效率与推理性能。

AI 推荐理由

论文核心解决超长视频中的多跳推理问题,提出自适应策略以优化中间观察评估和探索利用权衡。

研究机构
Sun Yat-sen University Shenzhen Loop Area Institute Guangdong OPPO Mobile Telecommunications Corp., Ltd. OPPO AI Center The Chinese University of Hong Kong, Shenzhen
论文信息
作者 Keyang Zhong, Kuo Wang, Peng Liu, Quanlong Zheng, Junlin Xie et al.
发布日期 2026-08-08
arXiv ID 2608.07959
相关性评分 9/10 (高度相关)