EVAThink：让视频模型根据证据多少决定是否“动脑”

导语

视频视觉语言模型（VLM）面对一个实际问题：什么时候应该直接回答，什么时候值得投入额外推理？在固定帧数预算下，答案往往不只取决于模型能力，也取决于被采样的画面是否包含回答问题所需的关键证据。EVAThink的核心思路，是让模型把“证据是否足够”作为分配思考成本的重要信号。

核心方法

• 挖掘可恢复的证据差距。 研究构造两种视频视图：一种尽可能保留与问题相关的密集证据，另一种包含更稀疏、信息量更低的观察结果。两者使用相同的问题、答案和帧数预算，因此差异主要来自可见证据，而不是输入规模。
• 筛选真正需要推理的样本。 只有当稀疏视图的直接回答准确率低于密集视图，同时显式推理能够改善稀疏视图表现时，这类样本才被保留。它们为模型提供了更明确的训练信号：面对证据不足但仍有可利用线索的场景，应尝试推理，而不是盲目直接作答。
• 采用证据引导的两阶段强化学习。 第一阶段重点学习根据证据状况选择回答模式，第二阶段进一步调整输出效率。该方案不依赖监督微调作为冷启动步骤，训练过程中还加入首个输出词的优势正则化，以降低模型退化为“总是思考”或“总是直接回答”的风险。

结果与意义

EVAThink仅使用6700个经过筛选的样本训练，在32帧和64帧两种预算下，都较基础模型在多项视频理解基准上取得持续改进，并在平均表现上超过强基线。素材没有披露完整的基准分数或具体任务明细，因此更稳妥的解读是：方法验证了“证据驱动的推理调度”这一方向，而不是宣称模型在所有场景都占优。

这项工作的价值在于，它把视频推理从固定策略转向条件式策略。对于证据清晰的问题，直接回答有助于减少不必要的生成开销；对于画面信息不完整但线索仍可串联的问题，显式推理则可能弥补观察缺口。值得注意的是，EVAThink学习的是基于证据的模式偏好，而不是简单按照问题类型预设规则。未来，这种思路还可以与更主动的帧采样、证据定位和长视频检索结合，让模型同时决定“看什么”和“想多久”。

来源：Hugging Face Daily Papers