以少胜多：借助密集参照提升稀疏视频推理能力
视频语言模型通常认为，时间维度上的观测越多，推理就越可靠。本研究对这一假设提出质疑，并推出 SAVER：一种利用密集视频视图作为训练参照、提升少量帧推理能力的后训练框架。在强化后训练阶段，模型通过定位奖励和由可靠性门控的参照奖励，联合优化密集与稀疏视图。SAVER 仅使用随机抽取的 1,250 个时间定位样例进行训练，没有使用视频问答标注。在三个时间定位基准和六个视频问答基准上，该方法在不同帧数预算下均提升了表现。使用的帧数大幅减少时，SAVER 仍能达到或超过采用密集帧的 Qwen3.5 基线模型。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。