PanoVideoReasoner以球面时空证据监督蒸馏全景视频推理

全景视频捕捉摄像机周围的所有方向，但相关证据可能会在不同方向和不同时间出现。理解它需要模型将整个视域和时间的观察结果联系起来。我们推出 PanoVideoBench，这是第一个用于全面全景视频理解的手动注释基准。其 1,000 个问题涵盖 5 个类别和 15 种问题类型，具有目标搜索和全景功能的诊断注释。对 11 个专有、开源和全景专业模型的评估表明，跨视图跟踪和球面空间与时间证据整合是它们最薄弱的功能。为了增强这些能力，我们构建了 PanoVideoCoT，这是第一个基于真实全景视频的推理数据集，通过基于球面时空的合成将经过验证的全景观察结果和成功的 Agentic 探索转换为 13,465 个 QA-CoT 对。从一般视频 MLLM 开始，PanoVideoReasoner 通过全景 CoT SFT 和特权证据引导的同策略自蒸馏（Evidence-Privileged On-Policy Self-Distillation）（Vision-OPD OPSD 的全景实例）从该语料库中学习，其中教师使用经过验证的透视视图来指导学生生成的轨迹。在 PanoVideoBench 上达到 55.7%，相比骨干提高 12.5 个百分点，较之前的 SOTA 提高 2.6 个百分点。收益集中在基准测试所暴露的相同空间、交叉视图和时间能力上，表明具有证据依据的球面时空监督可以为通用视频 MLLM 配备全景推理。