LOVER：从长到短的视频证据训练支持可定位问答

我们提出 LOVER，一个从 \underline{L}ong 到 sh\underline{O}rt \underline{V}ideo \underline{E}vidence \underline{R} 强化的基础问答（GQA）模型。 LOVER重点介绍了现有基于强化学习（RL）的视频推理模型的三项创新：（1）\textbf{长到短的视频证据课程学习}，根据证据时长组织强化学习训练，逐步使模型从长期落地到短期推理； (2) \textbf{GQA 奖励}，它强调了 IoP 奖励相对于 IoU 在证据发现方面的优势，而不是严格的时间跨度重叠； (3) \textbf{自适应时间戳渲染}，它使用背景感知位置和颜色选择将时间戳自适应地渲染到视频帧上，以增强时间可观察性。这三种设计与模型无关并且是相互的。它们有效地提高了不同骨干网的 QA、证据定位和带证据定位的问答 性能。值得注意的是，基于 Time-R1 构建的 LOVER 在流行的 GQA 基准测试（NExT-GQA 和 ReXTime）的开源模型中取得了新的最先进（SOTA）结果。全面的消融研究进一步验证了我们三个创新组件的有效性。