See More, Think Deeper: Query-Expanded Visual Evidence and Answer-Clue Guided Reflection for Long Video Understanding
该论文介绍了 CoVER，这是一个通过动态收集查询扩展的视觉证据以实现“看得更多”，并利用答案线索引导的反思来实现“思考更深”，从而通过以证据为中心且视觉可验证的推理过程，使现有模型性能得到提升的视频大语言模型（Video-LLM）长视频理解增强框架。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在试图破解一部非常长且复杂的电影中的谜团。你是侦探，而这部电影是你唯一的线索来源。
大多数目前的“AI侦探”（视频大语言模型/Video-LLMs）试图通过快速看一遍电影然后直接猜出答案来解决谜题。它们可能会因为同时观察整个屏幕而错过微小的细节，或者根据电影中“通常会发生什么”来猜测，而不是根据这部特定电影中“实际发生了什么”来判断。
这篇论文介绍了一位名为 CoVER（全面视觉证据与反思/Comprehensive Visual Evidence and Reflection）的新型侦探。CoVER 不仅仅是靠猜；它遵循一个严格的两步走流程，即“看得更多”并“思考得更深”。
以下是 CoVER 的工作原理，使用了一个简单的类比：
问题：“瞥一眼就猜”的方法
想象一下，有人问你：“角色吃的第一种零食是什么？”
- 旧的 AI： 快速看完整部电影。它看到角色稍后吃了一个苹果。于是它猜：“是苹果！”但它没有仔细观察，没看到角色在吃苹果之前其实先喝了一杯带冰块的苏打水。
- 问题所在： AI 依赖于一次宽泛的观察，并且经常错过隐藏在时间线中的微小、关键的线索。
解决方案：CoVER 的两步侦探工作
CoVER 通过使用两个特殊的工具改变了游戏规则：放大镜和事实核查员。
第一步：“看得更多”（放大镜）
CoVER 不仅仅是看一遍电影，它表现得像一个意识到“我需要看得更仔细”的侦探。
- 技巧： 在回答之前，CoVER 会问自己一系列后续问题，论文称之为**“伪查询”（pseudo-queries）**。
- 类比： 如果问题是“他们先吃了什么？”，CoVER 不仅仅是寻找“食物”。它会生成具体的搜索词，例如：“是否有带冰块的饮料？”、“是否有西瓜片？”、“是否有杯子？”
- 结果： 它利用这些具体的问题，去缩放并观察那些在第一次快速浏览时可能错过的、高清晰度的微小视频片段。它在做出猜测之前，收集了一整堆完整的证据。
第二步：“思考得更深”（事实核查员）
一旦 CoVER 收集到了证据，它会做一个草拟答案（初步猜测）。但它并没有止步于此。
- 技巧： CoVER 将自己的草拟答案转化为一个**“线索”**来测试自己。
- 类比： 如果 CoVER 猜想“第一种零食是西瓜”，它会创建一个具体的线索：“检查西瓜是否出现在苏打水之前。”然后它会专门回到视频中，去寻找这种先后关系。
- 结果： 如果视频显示苏打水出现在西瓜之前，CoVER 就会发现自己的错误。它会说：“噢不，我的草拟答案错了，因为证据与它相矛盾，”然后它会将答案修正为正确的答案（苏打水）。
为什么这很重要
大多数 AI 模型就像是写完论文就立刻上交的学生。而 CoVER 就像是一个这样的学生：
- 深入研究课题（收集更多证据）。
- 写出初稿。
- 对照事实批判性地审查自己的初稿。
- 在提交最终论文前修正错误。
实验结果
论文表明这种方法是有效的。在处理长视频问题时，CoVER 比其他同等规模的模型表现得更好。在某些测试中，它甚至击败了一些非常昂贵的、“闭源”模型（即无法看到其内部机制的模型）。
简而言之： CoVER 阻止了 AI 基于匆忙的一瞥进行猜测。相反，它强迫 AI 搜寻特定的线索，撰写草稿，然后通过将草稿与视频进行双重核对，以确保答案确实是真实的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。