SAVER:仅用 1250 条时序定位样本,稀疏帧视频推理追平稠密帧基线

AmsUni · hf · 2026-10-12

论文提出 SAVER,一个 dense-to-sparse 后训练框架,质疑「更多帧=更可靠推理」的常见假设,主张关键是学会在有限时间证据下可靠推理。

方法

• 强化后训练阶段同时优化稠密视图与稀疏视图,使用 grounding reward 和可靠性门控的 reference reward,鼓励稀疏帧预测保留任务相关的时间证据
• 仅用 1250 条随机采样的时序定位(temporal grounding)样本训练,不使用任何视频问答标注

结果

• 在 3 个时序定位基准和 6 个视频问答基准上一致提升各帧预算下的表现
• 以显著更少的帧数追平甚至超过稠密帧 Qwen3.5 基线

结论:时序定位可作为证据定位代理,学到的稀疏视频推理能力可迁移到更广泛的视频理解任务。

原文链接 →

「研究」频道最新

• 独立研究者举报数据异常,复制机构公开承认“我们失败了” — RexDouglass · 2026-10-12
• 巴西数据“像随机生成”:举报者列出可疑相关性与离谱效应量 — RexDouglass · 2026-10-12
• 矩阵即图：线性代数里最被低估的事实 — TivadarDanka · 2026-10-12
• MetaKernelBench:跨DSL技能迁移提升GPU核优化最高29% — encodelab · 2026-10-12
• 南洋理工MAMHOI:用可供性分解3D场景人物交互生成 — nanyang-technological-university-singapore · 2026-10-12
• 经济学期刊研究:封闭创意任务 LLM 胜人,开放任务人类反超 — ValerioCapraro · 2026-10-12

更多「研究」频道 AI 资讯 →