大模型学会拖进度条看视频了！阿里新研究让视频推理告别脑补，实现证据链思考 | ICLR 2026

为什么让多模态大模型“一步一步思考”（”Let’s think step by step”）来回答视频问题，效果有时甚至还不如让它“直接回答”？

在数学推理任务中，强化学习（RL）能通过“思考”大幅提升模型性能。但将同样的方法用于视频推理，效果却不尽如人意。

来自阿里巴巴未来生活实验室的研究团队认为，这背后是任务性质的根本差异：数学推理是纯文本空间的逻辑游戏，而视频推理需要模型在视觉内容和文本逻辑之间反复穿梭、验证。简单地套用文本思维链，只会让模型产生更多“脑补”和幻觉。

为了解决这一难题，研究团队提出了一个核心观点：模型“思考”的效果，取决于我们是否教会了它“如何思考”。基于此，他们推出了一整套解决方案：一个高质量的视频推理数据集ReWatch，以及一个能像人类一样“回看”视频进行思考的SOTA模型ReWatch-R1，论文已中稿ICLR 2026。

工欲善其事，必先利其器：高质量视频推理数据集ReWatch

研究团队发现，现有训练数据存在三大痛点：视频描述粗糙、问答过于简单、思维链（CoT）严重依赖文本常识而非视频内容。为此，他们构建了一个包含1万视频、17万问答对和13.5万思维链的ReWatch数据集，它具备三大核心优势：

1. 高保真时序字幕（ReWatch-Caption）：采用分层字幕生成方法，为长视频生成带有精确时间戳的详细事件描述，为复杂推理提供坚实、可查证的事实基础。

2. 高难度视频问答（ReWatch-QA）：通过“摘要vs精读”的对比生成策略和三层过滤机制，确保问题必须依赖视频中的细节才能解答，从根本上杜绝模型靠“猜”或常识来蒙混过关。

3. 视频接地的思维链（ReWatch-CoT）：首创多智能体ReAct框架，模拟人类在思考复杂问题时“回看、确认”的行为。通过“推理智能体”和“观察智能体”的协作，生成一条条明确记录了“去视频哪里看”（action）和“看到了什么”（observation）的推理轨迹，确保思维链的每一步都与视频内容紧密绑定。

整个数据集的构建过程包含三个阶段：分层字幕生成、高难度问答对生成、以及多智能体思维链合成，确保了数据的高质量和高难度。

授人以渔：让模型学会“如何思考”的ReWatch-R1

有了高质量的“教材”，如何教模型学习呢？研究团队采用了SFT+RL的范式，并通过一个创新的奖励机制，让模型真正掌握思考的精髓。

训练方法的核心是 带过程奖励的强化学习（GRPO with O&R Reward）。它不再仅仅奖励“答对与否”，而是直接监督和奖励模型的中间推理过程，从而有效抑制推理幻觉。

这个巧妙的“过程奖励”（O&R Reward）是如何计算的呢？

研究团队将推理过程拆解为 视频+问题→观察+推理→答案。过程奖励就针对中间环节进行评估：

1. 观察奖励（Observation Reward）：模型的“观察”是否真实？将模型生成的观察结果（标签内容）与高质量数据集中的高保真字幕进行比对。观察越符合视频事实，奖励越高。

2. 推理奖励（Reasoning Reward）：模型的“动作”是否有效？将模型推理中产生的“观察”结果作为唯一信息源，看它能否仅凭这些信息就推导出正确答案。如果可以，说明它的推理动作（标签内容）是充分且高效的，值得奖励。

通过这种方式，模型不仅学会了要得出正确答案（结果导向），更学会了如何通过真实、有效的步骤去思考（过程导向），像一个真正的侦探一样，基于证据链进行推理。

实践出真知：SOTA的实验结果与深刻洞察

1. 全面超越，登顶SOTA

实验结果表明，ReWatch-R1在五个主流视频推理基准上，平均性能显著超越了所有同量级的开源模型，取得了SOTA的成绩，证明了该方法论的有效性。

2. 关键洞察：RL才是释放“思考”潜力的钥匙！

一个非常有趣的发现是：在监督微调（SFT）阶段，“思考模式”的性能始终无法超越“直接回答”模式。这说明SFT只能教会模型思考的“形”，而无法领悟其“神”。

然而，经过RL阶段的“点拨”后，“思考模式”的性能实现了惊人飞跃，最终大幅超越了“直接回答”模式，展现出最高的性能上限。这有力地证明了，显式的、一步步的、有证据支撑的推理过程，对于解决复杂视频任务至关重要，而强化学习是激发这种能力的关键。

总结

ReWatch-R1的工作为视频理解领域贡献了宝贵的思路和资源。它通过创新的“智能体合成数据”方法，解决了高质量视频推理数据稀缺的核心瓶颈；并通过“过程奖励”强化学习，成功教会了模型如何基于视频证据进行“深度思考”，而不是空想。这项研究表明，让模型学会“如何思考”，是通往更高阶视频智能的关键一步。

论文标题：

ReWatch-R1: Boosting Complex Video Reasoning in Large Vision-Language Models through Agentic Data Synthesis
论文链接：

https://arxiv.org/abs/2509.23652
项目主页：

https://rewatch-r1.github.io
开源数据：

https://www.modelscope.cn/datasets/zcccccz/ReWatch

文章来自于“量子位”，作者 “ReWatch团队”。