隨著多模態(tài)大語言模型（MLLM）的飛速發(fā)展，“Thinking with Images” 范式已在圖像理解和推理任務(wù)上取得了革命性突破 —— 模型不再是被動接收視覺信息，而是學會了主動定位與思考。

然而，當面對包含復雜時序依賴與動態(tài)敘事的視頻推理任務(wù)時，這一能力尚未得到有效延伸?，F(xiàn)有的視頻推理方法往往受限于對外部工具的依賴或預設(shè)的提示詞策略，難以讓模型內(nèi)生出對時間序列的自主導航與深度理解能力，導致模型在處理長視頻或復雜邏輯時顯得捉襟見肘。

為攻克這一難題，來自小紅書的研究團隊提出了 Video-Thinker：一種全新的 “Thinking with Videos” 范式，旨在通過強化學習激發(fā) MLLM 在視頻推理中的內(nèi)生智能。

與傳統(tǒng)方法不同，Video-Thinker 不依賴構(gòu)建和調(diào)用外部工具，而是將 “時序定位（Grounding）” 與 “視覺描述（Captioning）” 這兩種核心能力內(nèi)化在模型的思維鏈（CoT）中，使其能在推理過程中自主尋找關(guān)鍵幀并提取視覺線索。

團隊精心構(gòu)建了包含 10K 高質(zhì)量樣本的 Video-Thinker-10K 數(shù)據(jù)集，并采用 “監(jiān)督微調(diào) + 強化學習” 的兩階段訓練策略。這一方法成功讓模型在無外部輔助的情況下，實現(xiàn)了對視頻內(nèi)容的自主探索與自我修正。

實驗結(jié)果顯示，Video-Thinker-7B 憑借極高的數(shù)據(jù)效率，在 Video-Holmes 等多個高難度視頻推理榜單上顯著超越了現(xiàn)有基線，確立了 7B 量級 MLLM 的 SOTA（State-of-the-Art）性能，為視頻大模型的動態(tài)推理開辟了新路徑。

• 論文地址：https://www.arxiv.org/abs/2510.23473
• 模型地址：https://huggingface.co/ShijianW01/Video-Thinker-7B
• 代碼地址：https://github.com/DeepExperience/Video-Thinker

一、背景：視頻推理的 “工具依賴困局” 與破局需求

在多模態(tài)大語言模型（MLLM）進化的浪潮中，“Thinking with Images” 范式已經(jīng)讓模型在靜態(tài)圖像的理解與推理上取得了令人矚目的突破。當模型學會了在像素間主動定位與思考，靜態(tài)畫面不再是信息的黑盒。

然而，當我們試圖將這種范式延伸至視頻領(lǐng)域時，情況卻變得復雜得多。視頻不僅僅是圖像的簡單堆疊，更包含了復雜的時序依賴、動態(tài)的敘事邏輯以及稍縱即逝的視覺細節(jié)。面對這種高維度的信息流，現(xiàn)有的視頻推理方法正面臨著難以突破的瓶頸。

當前主流的視頻大模型在處理復雜推理任務(wù)時，往往陷入了一種對 “外部輔助” 的過度依賴。為了彌補模型對長視頻處理能力的不足，研究者們通常采用掛載外部視覺工具（如檢測器、追蹤器）或設(shè)計繁復的預設(shè)提示詞策略來輔助模型。這種做法雖然在一定程度上緩解了信息獲取的難題，卻在本質(zhì)上造成了推理過程的 “割裂”：模型并非真正 “看見” 并 “理解” 了視頻的時間脈絡(luò)，而是被動地接收外部工具提取的碎片化特征，或是機械地遵循預設(shè)步驟進行填空。

這種缺乏內(nèi)生主動性的架構(gòu)，導致模型在面對長視頻或需要深度邏輯推演的任務(wù)時顯得捉襟見肘。由于缺乏對時間序列的自主導航能力，模型無法像人類一樣根據(jù)當前的思考線索去主動 “快進”、“倒帶” 或聚焦于某個關(guān)鍵幀。它無法自主決定何時通過 “Grounding（時序定位）” 來鎖定證據(jù)，也無法靈活地利用 “Captioning（視覺描述）” 來提煉線索。這種感知與推理的脫節(jié)，使得模型難以在動態(tài)變化的視頻內(nèi)容中構(gòu)建起連貫的思維鏈，最終限制了視頻大模型向更高階智能的躍升。

如何讓模型擺脫對外掛拐杖的依賴，內(nèi)生出在時間流中自由探索與自我修正的能力，成為了視頻推理領(lǐng)域亟待攻克的難題。

二、方法：內(nèi)生能力導向的 “數(shù)據(jù) - 訓練” 全鏈路設(shè)計

Video-Thinker 的核心愿景在于實現(xiàn) “能力內(nèi)化”：打破傳統(tǒng)視頻大模型對外部視覺工具的依賴，將 “時序定位（Grounding）” 與 “視覺描述（Captioning）” 這兩大核心能力直接植入模型的思維鏈（CoT）中。為達成這一目標，團隊設(shè)計了一套精密的 “數(shù)據(jù) - 訓練” 協(xié)同機制：首先構(gòu)建 Video-Thinker-10K 高質(zhì)量結(jié)構(gòu)化數(shù)據(jù)，隨后通過 “監(jiān)督微調(diào)（SFT）+ 組相對策略優(yōu)化（GRPO）” 的兩階段訓練范式，成功讓模型學會了在動態(tài)視頻流中自主導航、主動思考。

數(shù)據(jù)煉金：Hindsight-Curation 驅(qū)動的思維鏈構(gòu)建

要讓模型真正掌握視頻場景下的復雜推理能力，構(gòu)建高質(zhì)量的訓練數(shù)據(jù)是必經(jīng)之路。然而，現(xiàn)有的開源視頻數(shù)據(jù)集普遍存在 “二元割裂” 的結(jié)構(gòu)性缺陷：一類是以 ActivityNet、YouCook2 為代表的描述型數(shù)據(jù)，雖然擁有精確的時間段標注和畫面描述，但缺乏需要深度思考的邏輯問答；另一類是以 STAR、LVBench 為代表的問答型數(shù)據(jù)，雖然問題極具挑戰(zhàn)性，卻往往缺失了支撐答案的關(guān)鍵幀定位與視覺細節(jié)。為了彌補這一鴻溝，團隊整合了六大主流數(shù)據(jù)集，構(gòu)建了 Video-Thinker-10K。該數(shù)據(jù)集并未止步于簡單的拼接，而是引入了一套 “后見之明（Hindsight-Curation）” 的自動化流水線，通過 “補全 - 合成 - 驗證” 的嚴密閉環(huán)，生產(chǎn)出兼具精準時序定位（Grounding）與詳盡視覺描述（Captioning）的結(jié)構(gòu)化推理數(shù)據(jù)，確保模型在學習過程中能夠建立起從視覺證據(jù)到邏輯結(jié)論的完整映射。

Step 1: 雙向信息補全

面對不同源數(shù)據(jù)特性的差異，團隊將 ActivityNet、TutorialVQA,、YouCook2、STAR、ScaleLong 和 LVBench 六大主流數(shù)據(jù)集劃分為互補的兩類，并實施了 “缺什么補什么” 的數(shù)據(jù)增強策略：

• 針對 “有描述無推理” 的數(shù)據(jù)（如 ActivityNet、TutorialVQA、YouCook2）：這類數(shù)據(jù)具備精確的時間段標注和詳盡的動作描述，但缺乏深度的邏輯問答。團隊利用 DeepSeek-R1 強大的邏輯推理能力，以原有的細粒度片段描述為上下文，合成出需要跨越多個時間片段進行綜合分析的復雜多跳問題，將單純的感知任務(wù)升級為邏輯推理任務(wù)。
• 針對 “有問答無細節(jié)” 的數(shù)據(jù)（如 STAR、ScaleLong、LVBench）：這類數(shù)據(jù)雖然包含極具挑戰(zhàn)性的推理問答，卻往往缺失了支撐答案的具體視覺描述。團隊借助 Gemini-2.5-Flash-Lite 的長窗口視覺理解能力，以標準答案為錨點進行反向推導，為關(guān)鍵時間窗口生成了與答案強相關(guān)的精細化視覺描述（Answer-Conditioned Captions），填補了推理過程中視覺證據(jù)的空白。

Step 2: 結(jié)構(gòu)化思維鏈合成

在完成了基礎(chǔ)信息的雙向補全后，系統(tǒng)調(diào)用 DeepSeek-V3 執(zhí)行 “反向推理合成（Reverse-Curation Generation）”。模型接收標準答案、時序標注以及生成的視覺描述作為輸入，被要求倒推并生成一條邏輯嚴密、逐步展開的推理軌跡。這條軌跡并非自由發(fā)散，而是必須嚴格遵循預定義的結(jié)構(gòu)化格式，顯式地將推理過程拆解為三個關(guān)鍵動作：

• ：執(zhí)行時序定位任務(wù)，精確劃定包含關(guān)鍵信息的視頻時間窗口，明確模型 “關(guān)注哪里”；
• ：執(zhí)行視覺證據(jù)提取任務(wù)，對該時間窗口內(nèi)的核心視覺線索進行總結(jié)與描述，闡述模型 “看到了什么”；
• ：執(zhí)行深度分析任務(wù)，基于提取的時空線索進行邏輯推演與綜合判斷，連接視覺證據(jù)與最終答案，解釋 “意味著什么”。

Step 3: 后見之明驗證機制（Hindsight Curation）

這是保障數(shù)據(jù)質(zhì)量的關(guān)鍵防線。為了確保合成的推理軌跡真實有效而非 “自說自話”，團隊引入了創(chuàng)新的 “后見之明” 驗證流程，替代了昂貴的人工抽檢。具體而言，系統(tǒng)使用 Qwen2.5-VL-7B-Instruct 充當 “獨立驗證官”，在屏蔽原始視頻輸入的情況下，僅將上一步生成的 時序標簽和 視覺描述作為上下文輸入給模型。系統(tǒng)隨后檢測驗證官能否僅憑這些提取出的線索推導出正確的標準答案。如果驗證失敗，意味著生成的視覺線索不足以支撐推理結(jié)論，系統(tǒng)將自動觸發(fā)再生流程，進行最多三次的迭代修正。

這種 “以結(jié)果驗證過程” 的閉環(huán)機制，有效剔除了無效或低質(zhì)量的樣本，確保了最終保留在 Video-Thinker-10K 中的每一條數(shù)據(jù)，其視覺證據(jù)與邏輯結(jié)論之間都具備嚴密且可復現(xiàn)的因果關(guān)系。

監(jiān)督微調(diào)建立結(jié)構(gòu)化思維范式

監(jiān)督微調(diào)（SFT）階段旨在完成模型的 “冷啟動” 初始化。由于預訓練的多模態(tài)大模型本身并不具備輸出特定標簽（如 或 ）的習慣，SFT 階段的主要任務(wù)是通過強制教學，讓模型習得 Video-Thinker 獨有的結(jié)構(gòu)化思考范式。

對于每一個樣本 (V, Q, T, Y)，其中 V 是視頻，Q 是問題， T 是包含 ， 和

的思維鏈， Y 是最終答案。SFT 的優(yōu)化目標是最小化思維鏈與答案的負對數(shù)似然：

通過這一階段的訓練，模型不再將視頻視為一個模糊的整體進行黑盒猜測，而是建立起了一套嚴謹?shù)?“定位 - 感知 - 推理” 標準動作序列：即先通過 標簽主動定位關(guān)鍵片段，再利用 標簽提取視覺細節(jié)，最后通過

標簽進行邏輯整合。這種顯式的思維約束，不僅教會了模型如何使用內(nèi)部工具，更有效抑制了其在缺乏證據(jù)時直接生成答案的幻覺傾向，為后續(xù)的強化學習奠定了堅實的策略基礎(chǔ)。

強化學習激發(fā)內(nèi)生智能與 “頓悟” 時刻

雖然 SFT 賦予了模型結(jié)構(gòu)化的表達形式，但僅憑監(jiān)督微調(diào)，模型往往只能 “模仿” 訓練數(shù)據(jù)的表面模式，難以應對分布外的復雜場景。真正的智能源于在探索中自我優(yōu)化，因此訓練進入第二階段：采用組相對策略優(yōu)化（Group Relative Policy Optimization, GRPO）激發(fā)模型的內(nèi)生潛能。

不同于傳統(tǒng) PPO 算法依賴龐大的價值網(wǎng)絡(luò)來評估狀態(tài)價值，GRPO 采用了一種更為高效的策略：它通過對同一輸入并行采樣多組不同的推理軌跡，利用組內(nèi)輸出的相對優(yōu)勢來指導梯度更新。這種 “摒棄 Critic 模型” 的設(shè)計不僅大幅降低了顯存占用和計算成本，更關(guān)鍵的是，它允許模型在反復的試錯與自我博弈中，自主探索出如何更高效地調(diào)用 和 錨點來解決新問題，從而將機械的格式遵循升華為靈活的視頻思維能力，真正實現(xiàn)對視頻內(nèi)容的自主導航。

采樣與雙重獎勵設(shè)計

策略優(yōu)化目標

涌現(xiàn)的 “Aha Moment”

經(jīng)過 GRPO 的強化訓練后，Video-Thinker 開始涌現(xiàn)出類似人類的高階認知行為 —— 我們稱之為 “頓悟時刻（Aha Moment）”。與傳統(tǒng)模型線性的、單向的生成過程不同，Video-Thinker 在面對復雜推理時，不再是一條路走到黑。我們觀察到，模型開始在思維鏈中自發(fā)展現(xiàn)出元認知（Metacognition）特征：它會對其初步生成的時序定位或視覺描述進行 “回頭看”，主動發(fā)起自我質(zhì)疑與修正。

這種動態(tài)的內(nèi)部反饋機制，使得模型不再是被動的信息接收者，而是主動的探尋者。正是這種內(nèi)生的反思能力，讓 Video-Thinker 能夠在僅有 7B 參數(shù)量且僅使用 10K 訓練數(shù)據(jù)的情況下，打破了參數(shù)規(guī)模的限制，在 Video-Holmes 等高難度視頻推理基準上，大幅超越了依賴海量數(shù)據(jù)訓練的現(xiàn)有基線模型。

三、評測：全面驗證，7B 模型刷新視頻推理 SOTA

實驗設(shè)置

為了全方位驗證 Video-Thinker 的視頻推理能力，研究團隊構(gòu)建了包含域內(nèi)（In-Domain）與域外（Out-of-Domain）的雙重評估體系。

• 訓練配置： 研究選用 Qwen2.5-VL-7B-Instruct 作為基礎(chǔ)模型。訓練過程嚴格遵循 “兩階段” 范式：首先在 Video-Thinker-10K 數(shù)據(jù)集上進行 1 個 epoch 的監(jiān)督微調(diào)（SFT），讓模型習得結(jié)構(gòu)化的思考格式；隨后引入 GRPO 算法進行強化學習訓練，以激發(fā)模型自主視頻推理的潛能。
• 評測數(shù)據(jù)集：
• 域內(nèi)評測：基于 ActivityNet、Star、ScaleLong、YouCook2、LVBench 等五個訓練數(shù)據(jù)集構(gòu)建了測試集（Held-out test sets），用于評估模型在熟悉領(lǐng)域內(nèi)的表現(xiàn)。
• 域外評測：精選了 Video-Holmes、CG-Bench-Reasoning、VRBench、SciVideoBench、VideoTT、VideoMME 等六個具有挑戰(zhàn)性的高難度復雜視頻推理基準，重點考察模型在未知場景下的泛化能力。
• 基線模型： 對比陣容強大，涵蓋了 InternVL、Qwen2.5-VL 等 5 個主流開源多模態(tài)基礎(chǔ)模型，以及 Video-R1、VideoChat-R1、Temporal-R1 等 12 個開源視頻推理模型，確保了比較的公平性與廣泛性。

總體性能對比

實驗結(jié)果表明，Video-Thinker-7B 在各項視頻推理基準上均展現(xiàn)出顯著優(yōu)勢，成功確立了 7B 參數(shù)量級模型的新 SOTA（State-of-the-Art）。

• 核心發(fā)現(xiàn)與數(shù)據(jù)解讀：
• 域外泛化能力的質(zhì)變： Video-Thinker 在處理未見過的復雜任務(wù)時表現(xiàn)尤為驚艷。在偵探推理類的 Video-Holmes 榜單上，模型取得了 43.22% 的準確率，超越了次優(yōu)基線模型 4.68 個百分點；在綜合性基準 VRBench 上，準確率高達 80.69%，大幅領(lǐng)先最佳基線 11.44%。這充分證明了 Video-Thinker 并非僅僅 “記住” 了訓練數(shù)據(jù)，而是真正習得了通過 “定位” 和 “描述” 來解決通用視頻問題的能力。
• SFT 與 RL 的協(xié)同效應： 消融實驗揭示了一個關(guān)鍵結(jié)論：僅靠 SFT 無法實現(xiàn)強泛化。Video-Thinker-SFT-7B 版本在多個基準上的表現(xiàn)甚至低于基礎(chǔ)模型，這說明 SFT 的主要作用在于 “規(guī)范格式”。而隨后的GRPO 強化學習階段才是性能飛躍的關(guān)鍵，它使模型在 Video-Holmes 上的性能提升了 11.70%，在 VRBench 上提升了 18.29%。這種 “先通過 SFT 立規(guī)矩，再通過 GRPO 練內(nèi)功” 的組合，被證明是提升大模型復雜推理能力的必由之路。

推理幀數(shù)魯棒性分析：更高效的時序信息整合

視頻理解往往受限于輸入幀數(shù)。為了探究 Video-Thinker 是否依賴高幀率輸入，團隊對比了模型在 16 幀、32 幀和 64 幀設(shè)置下的表現(xiàn)。實驗數(shù)據(jù)表明：

• 正向的 Scaling Law： 隨著輸入幀數(shù)從 16 增加到 64，絕大多數(shù)模型的性能均呈上升趨勢，說明更豐富的時序信息確實有助于推理。
• 全方位的性能壓制： 值得注意的是，Video-Thinker-7B 在所有幀數(shù)檔位上均持續(xù)優(yōu)于對比基線（Qwen2.5-VL 和 Video-R1）。即使在僅輸入 16 幀的受限條件下，Video-Thinker 依然能保持高水準的推理精度。這意味著該模型具備更高效的時序信息整合機制，無論是在計算資源受限的低幀率場景，還是信息豐富的高幀率場景，都能穩(wěn)定發(fā)揮。

深度歸因分析：定位與描述能力的顯著增強

Video-Thinker 的核心假設(shè)是：強大的視頻推理源于對視頻內(nèi)容的精準 “定位（Grounding）” 和細致 “描述（Captioning）”。為了驗證這一假設(shè)，研究團隊不僅評測最終答案的準確率，還專門針對這兩項中間過程能力進行了定量評測。評測結(jié)果表明：

• 時序定位（Grounding）：在要求模型輸出關(guān)鍵時間片段的任務(wù)中，Video-Thinker-7B 的平均交并比（mIoU）達到了 48.22%，相比基礎(chǔ)模型（27.47%）提升了 75.5%。在 Recall@0.3 指標上，Video-Thinker 更是達到了 79.29%，幾乎是基礎(chǔ)模型的兩倍。這表明模型在回答問題前，確實精準鎖定了視頻中的關(guān)鍵線索，而非盲目猜測。
• 內(nèi)容描述（Captioning）：在視頻片段描述任務(wù)中，Video-Thinker 在 BLEU、METEOR 和 ROUGE-L 三大指標上全面領(lǐng)先。與基礎(chǔ)模型相比，其整體描述質(zhì)量提升了 31.2%；與 Video-R1 相比，提升幅度更是達到了 61.0%。生成更準確、更相關(guān)的中間描述，為模型進行后續(xù)的邏輯推理提供了堅實的信息基礎(chǔ)。

消融實驗：內(nèi)生能力 vs 外部工具

既然 “定位” 和 “描述” 如此重要，是否可以直接給基礎(chǔ)模型外掛現(xiàn)成的專用工具（如專門的 Grounding 模型或 Captioning 模型）來達到同樣的效果？研究團隊進行了一組反直覺但極具價值的對比實驗。

1. 簡單外掛工具的 “負優(yōu)化” 陷阱：實驗結(jié)果首先打破了 “工具越強效果越好” 的迷思。當團隊嘗試 “基礎(chǔ)模型 + 即插即用工具（Plug-and-play Tools）” 的組合時，模型性能不升反降。例如，使用 Temporal-R1-7B 配合 SkyCaptioner-V1-8B 時，準確率跌至 30.58%；即便調(diào)用參數(shù)量大十倍的 Qwen2.5-VL-72B-Instruct 作為專家工具，其 33.96% 的得分依然未能超過僅使用 7B 基礎(chǔ)模型的效果。這表明簡單的工具堆疊會造成信息割裂，導致推理鏈路效率降低。

2. 現(xiàn)有工具調(diào)用方法的局限：為了進一步驗證，團隊對比了現(xiàn)有的代表性工具使用方法 —— VideoMind-7B。雖然 VideoMind-7B 通過更復雜的工具調(diào)用策略，將 Video-Holmes 的得分提升到了 38.98%，成功超越了基礎(chǔ)模型和簡單的外掛方案，但相比于 Video-Thinker 它依然存在明顯差距（落后約 4.2%）。這說明即便是成熟的外部工具調(diào)用方式，在信息傳遞的連貫性和推理深度上仍存在天花板。

3. Video-Thinker 內(nèi)生思維鏈的壓倒性優(yōu)勢：最終，通過訓練獲得內(nèi)生能力的 Video-Thinker-7B 展現(xiàn)了統(tǒng)治級的表現(xiàn)。它在 Video-Holmes 上取得了 43.22% 的全場最高分（紅色加粗），不僅遠超外掛工具方案，也顯著優(yōu)于 VideoMind-7B；同時在 VRBench 上更是達到了 80.69% 的高分。實驗有力地證明，在視頻推理任務(wù)中，將 “感知 - 定位 - 描述 - 推理” 無縫融合的內(nèi)生思維鏈（Endogenous CoT），比簡單的工具堆疊甚至 VideoMind 這種外部調(diào)用方法都更為高效可靠。

四、結(jié)語：內(nèi)生智能引領(lǐng)視頻推理新方向

Video-Thinker 的核心價值，在于打破了 “視頻推理必須依賴外部工具” 的固有認知，通過 “高質(zhì)量數(shù)據(jù)合成 + 精準強化訓練” 的全鏈路設(shè)計，讓 MLLM 真正實現(xiàn)內(nèi)生 “時序定位” 與 “片段描述” 能力，實現(xiàn)了端到端的自主視頻思考。其 7B 參數(shù)模型在多領(lǐng)域基準上刷新 SOTA 的表現(xiàn)，證明了視頻推理能力并非依賴 “大參數(shù) + 大數(shù)據(jù)” 的堆砌，而是在于對核心內(nèi)生能力的精準培養(yǎng)。未來，隨著技術(shù)迭代，Video-Thinker 有望進一步集成音頻、字幕等多模態(tài)信息，拓展至小時級長視頻推理場景，讓 “用視頻思考” 成為 MLLM 的基礎(chǔ)能力。這種內(nèi)生智能驅(qū)動的技術(shù)路徑，不僅為視頻推理領(lǐng)域提供了新范式，更將加速 AI 在安防監(jiān)控、智能教育、工業(yè)運維等領(lǐng)域的落地應用，真正賦能千行百業(yè)的智能化升級。