video-reasoning

Open-o3-Video-v2 将视频推理建模为统一的智能体证据接地过程，模型主动识别缺失信息、获取额外观测并将其时空证据写入推理轨迹。基于 Qwen3-VL-4B 骨干，该模型在 V-STaR 上取得 40.4% mAM 和 56.3% mLGM，显著超越基线。

VLX-VR是一种智能体感知的视频推理模型，它使用思考-记忆-观察循环和强化学习来自适应地收集证据，在MINERVA基准测试中达到了最先进的性能。

SCOUT 提出了一种恢复感知的智能体框架，采用自适应探索-利用策略，用于超长自我中心视频推理。该框架通过 UPS-GRPO 训练，这是一种不确定性优先的强化学习方法，具备回合级优势分解。它在超长自我中心基准上取得了最先进的结果，并在较短的长时间视频场景中保持竞争力。

ChronoVision 是一个多模态框架，通过将视觉逻辑与潜在图像对齐，使用重构视觉头、ROI 注意力定位模块和强化学习，改进视觉语言模型中的时间推理。它引入了 Vbvr-VQA 数据集，并在时间跟踪基准上达到了 SOTA 准确率。

提出 Video-MME-Logical，一个用于评估多模态大语言模型中视频时间逻辑推理的受控基准，揭示了一个显著的人机差距。

VideoKR 引入了一个大规模视频推理数据集和基准，旨在通过专家领域内容和人机协同的示例生成，增强知识密集型视频理解。该数据集包含 31.5万个视频推理示例，覆盖 14.5万个专家领域视频。

本文提出一种新范式：视觉-语言模型（VLM）作为测试时教师，通过可微分奖励和LoRA优化引导视频生成模型（VGM），在视频推理基准测试上平均提升16.7个百分点。

VideoRLVR利用基于规则的奖励的强化学习，优化视频扩散模型以进行可验证推理任务，在约束满足的视频生成中取得了优于监督方法的性能。

Perceptron Inc. 发布了 Perceptron Mk1，这是一款专为视频和具身推理任务设计的前沿 AI 模型。

CollabVR 是一篇研究论文，提出了一种闭环框架，该框架通过协作整合视觉语言模型与视频生成模型，以改善视觉推理并实时纠正推理失败。

LiconStudio 发布了一个针对 LTX-2.3 的 LoRA 适配器，该适配器在 VBVR 数据集上进行了微调，以增强视频生成能力，改善提示理解、运动动态和时间一致性，用于复杂的视频推理任务。

本文介绍了超大视频推理（VBVR）数据集和基准，这是一个大规模资源，包含超过一百万个视频片段，涵盖200个推理任务，能够系统研究时空推理，并展示了早期出现的涌现泛化迹象。