ICML25 视频问答中以语言为中心的结构化推理

ICML25 视频问答中以语言为中心的结构化推理

摘要

多模态大语言模型在视频问答中面临推理不透明和难以控制的挑战。哔哩哔哩Index团队与上海交通大学提出了一种以语言为中心的树状推理（LTR）框架，通过递归分解复杂问题为简单子问题，并自下而上推理，显著提升了模型的准确性和可解释性。实验表明，LTR在11个基准数据集上表现优异，为视频理解开辟了新路径。