Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.01533v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2508.01533v1 (cs)
[提交于 2025年8月3日 ]

标题: ReasonAct:小模型中细粒度视频推理的渐进式训练

标题: ReasonAct: Progressive Training for Fine-Grained Video Reasoning in Small Models

Authors:Jiaxin Liu, Zhaolu Kang
摘要: 虽然最近的多模态模型在视觉-语言任务中取得了进展,但小规模变体在视频理解所需的细粒度时间推理方面仍然存在困难。 我们引入了ReasonAct,这是一种通过三阶段训练过程增强小型模型视频推理的方法:首先通过仅文本推理建立基础,然后在视频上进行微调,最后通过时间感知强化学习进行精炼。 我们通过将时间一致性建模引入策略优化,改进了时间组相对策略优化(T-GRPO)。 我们还提出了一种生物力学驱动的子动作分解机制,为构成动作阶段提供渐进式奖励。 在HMDB51、UCF-101和Kinetics-400上的实验表明,我们的3B参数模型分别达到了67.2%、94.1%和78.9%的准确率,分别比基线提高了17.9、15.8和12.3分。 消融研究验证了我们的渐进式训练方法使小型模型能够在保持计算效率的同时实现具有竞争力的视频推理性能。
摘要: While recent multimodal models have shown progress in vision-language tasks, small-scale variants still struggle with the fine-grained temporal reasoning required for video understanding. We introduce ReasonAct, a method that enhances video reasoning in smaller models through a three-stage training process: first building a foundation with text-only reasoning, then fine-tuning on video, and finally refining with temporal-aware reinforcement learning. We build upon Temporal Group Relative Policy Optimization (T-GRPO) by incorporating temporal consistency modeling into policy optimization. We also propose a biomechanically-motivated sub-action decomposition mechanism that provides graduated rewards for constituent action phases. Through experiments on HMDB51, UCF-101, and Kinetics-400, our 3B-parameter model achieves 67.2%, 94.1%, and 78.9% accuracy respectively, demonstrating improvements of 17.9, 15.8, and 12.3 points over baselines. Ablation studies validate that our progressive training methodology enables smaller models to achieve competitive video reasoning performance while maintaining computational efficiency.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2508.01533 [cs.CV]
  (或者 arXiv:2508.01533v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.01533
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jiaxin Liu [查看电子邮件]
[v1] 星期日, 2025 年 8 月 3 日 01:25:13 UTC (14,214 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号