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