知识卡片：VideoLVR：基于接地视频证据的潜在视觉推理

一句话结论

VideoLVR 提出用“潜在视觉证据”替代文本坐标或裁剪帧回插，让多模态大模型在推理链中直接重建并复用视频局部区域的视觉内容，从而在不显著扩张上下文的情况下缓解视觉遗忘，尤其改善细粒度视频理解任务。

事件概述或研究问题

论文针对视频多模态大模型（MLLMs）中“基于语言的思维链”的一个结构性缺陷：文本推理轨迹无法可靠地让模型回访相关视觉证据，导致视觉遗忘（visual forgetting），削弱对视频内容的推理能力。现有两类做法各有代价——用文本坐标指代证据只给出符号位置而非视觉内容本身；把裁剪区域或帧重新插入多模态上下文虽保留细节，却造成上下文显著膨胀。VideoLVR 要解决的问题是：如何在不扩张上下文的前提下，为中间推理步骤提供可复用的视觉支撑。

方法/产品要点

• 潜在视觉证据构建：在相关视频时刻从局部区域构造潜在视觉证据，为中间推理步骤提供视觉支持，而非仅给坐标或回插原图。
• 视觉 token 预测目标：将视觉 token 重建表述为“在由输入视频导出的词表上的预测”，从而把视觉证据重建与文本生成统一进同一个 token 预测框架。
• 交错推理：共享的预测框架使 MLLM 能在交错的文本 token 与潜在视觉状态上推理，并整合来自不同时刻的证据。
• 强化学习扩展：将采样得到的视觉 token 与文本 token 一同视为动作，用最终答案奖励联合优化策略。
• 效率主张：通过高效回访任务相关视觉信息提升视频理解，且不显著扩张多模态上下文。

主要结果或产业意义

摘要称在多个视频基准上验证了有效性，并特别强调在需要细粒度视觉证据的任务上表现突出。具体基准名称、指标数值与消融结果在摘要中未给出，待核实（需查阅 PDF 正文）。产业意义上，该方法指向一条降低“视觉 grounding 成本”的路径：不必把裁剪帧反复塞进上下文，也能让推理过程持续接触视觉细节，对长视频、高分辨率视频的推理部署有潜在价值。

为什么重要

它与既有脉络形成互补而非重复：GenEvA 关注“选帧/压缩之后”的查询相关跨帧潜在证据聚合，VideoLVR 则把潜在视觉证据嵌入推理链的中间步骤，并用视觉 token 预测目标监督其生成；TraceViT 关注循环视觉推理中的迹监督与接地配对，VideoLVR 的增量在于把“接地”落实为可从输入视频词表中重建的潜在视觉 token，并进一步扩展到 RL 动作空间。对“思维链在视频中会视觉遗忘”这一问题的直接回应，是本条卡片的核心增量。

局限与不确定性

• 摘要未披露具体基准、数据集规模、模型底座与对比基线，性能幅度待核实。
• “不显著扩张上下文”的具体 token 开销比例、潜在视觉证据的压缩率与信息损失程度待核实。
• 视觉 token 词表由输入视频导出的具体构造方式、跨视频泛化能力待核实。
• RL 扩展中视觉 token 作为动作的采样策略与训练稳定性待核实。
• 论文发布时间为 2026-10-27（arXiv 2610.37613v1），作者与机构信息以原文为准。

可用于图书/PPT/简报的角度

• “思维链的视觉盲区”：文本推理轨迹为何无法替代真正的视觉回访，可作为讲解 MLLM 视频推理瓶颈的切入点。
• 三种 grounding 路线的成本对比：文本坐标 vs 裁剪帧回插 vs 潜在视觉证据，适合做一页对比图示。
• 统一 token 预测框架：把视觉重建与文本生成放进同一预测范式，可作为“多模态统一建模”章节的案例。
• RL 与潜在视觉动作：视觉 token 作为动作空间的一部分，可衔接“多模态强化学习”主题。
• 效率叙事：不扩上下文而提升细粒度理解，适合放入“长视频理解降本”专题。

原始材料

• 标题：VideoLVR: Latent Visual Reasoning over Grounded Video Evidence
• arXiv ID：2610.37613v1
• 作者：Shilong Li, Xingyuan Bu, Hao Shi, Yun Xing, Weixin Feng, Qiangpeng Yang, Shilei Wen
• 发布/更新：2026-10-27T17:41:56Z
• 主分类：cs.CV；分类：cs.CV, cs.AI
• Abstract URL：https://arxiv.org/abs/2610.37613v1
• PDF URL：https://arxiv.org/pdf/2610.37613v1
• 关键词：VideoLVR；latent visual reasoning；grounded video evidence；visual token prediction；multimodal large language models；visual forgetting；reinforcement learning