VersusQ：可推广视频质量评估的成对裕度推理

大型多模态模型 (LMM) 在视频质量评估方面表现出了良好的前景，但大多数方法仍然预测每个视频的绝对分数。这种逐点监督通常将感知质量与特定于数据集的校准相结合，包括注释协议、评分习惯和分数分布。因此，学习到的评分规则可能在基准内运行良好，但在未知领域中的迁移效果很差。我们认为，相对比较通过纯粹关注感知差异而不是特定于数据集的评分习惯来减轻绝对尺度校准偏差。因此，我们提出 \textbf{VersusQ}，一个完全由直接比较驱动的成对边缘推理框架。具体来说，VersusQ 在两个视频之间执行基于 LMM 的比较，解释它们的视觉和时间质量差异的原因，并预测一个有符号的连续边距，以捕获首选选择和差异程度。此外，为了将可解释的比较原理与细粒度的数值差异结合起来，我们引入了 Margin-Coupled GRPO，它联合优化了基于 rollout 的关系推理和连续边际回归。对多个公共 VQA 基准的大量实验表明，VersusQ 在异构评估场景下实现了最先进的性能、强大的跨域泛化性和可靠的细粒度排名。