Video-UTR-7B

VideoThinker框架通过因果去偏提升轻量级MLLM的视频推理能力

研究人员开发了VideoThinker，一个旨在增强轻量级多模态语言模型（MLLM）在视频分析中推理能力的新型框架。该方法解决了感知偏差问题，即模型倾向于依赖肤浅的数据模式而非真正的理解。VideoThinker采用两阶段去偏过程，首先创建一个“偏差模型”来捕捉捷径行为，然后使用因果去偏策略优化（CDPO）算法引导主模型进行准确推理。