7B 模型反超 GPT-4o

以 DeepSeek-R1 为代表的强化学习范式，近期在语言模型领域掀起了一次 “推理革命”。

最近，港中文联合清华团队正式发布了首个将 “R1 范式” 系统性落地到视频推理领域的模型 ——Video-R1。不仅将强化学习算法从 GRPO 升级为更懂 “时间” 的 T-GRPO，还首次打通了图像 + 视频的混合训练路径，搭建了两个高质量数据集，真正让模型在视频中学会了 “深度思考”。

更令人惊讶的是：在李飞飞团队提出的 VSI-Bench 这一权威视频空间推理测试中，Video-R1（仅 7B 参数）竟然战胜了 GPT-4o！

目前，研究团队已经将全部代码、模型权重、数据集一并开源，视频推理的 “R1 时刻”，真的来了。

一、两大挑战亟待解决

视频理解，堪称 AI 领域的 “高阶技能”。模型不仅要识别画面中的物体，还要分析动作的前后逻辑。然而，现有的多模态大模型（MLLMs）在视频推理上存在两大难题：

时间建模不足：很多模型只会 “看单张截图”，忽略视频的时间顺序，导致推理错误。

高质量数据稀缺：现有的视频数据集大多只教 AI “认东西”，缺乏需要复杂推理的问题。

二、核心创新：新算法 + 混合数据，双管齐下

为了解决问题，Video-R1 团队祭出两大 “杀手锏”：

算法升级：T-GRPO

核心思想：让 AI 对比 “正常顺序视频” 和 “打乱顺序视频” 的表现，只有前者正确率更高时才给奖励。

效果：逼着 AI 学会 “看剧情发展”，而不是单帧 “蒙答案”。就像老师通过对比学生看正常电影和乱序片段的表现，来奖励真正理解故事的学生。

数据策略：图像 + 视频混合训练

图像数据（如数学题、图表题）：教 AI 基础的逻辑推理能力。

视频数据（如物理实验、日常场景）：训练时间推理能力。

数据集：团队构建了 26 万条混合数据（Video-R1-260k），涵盖数理、空间、常识等多种题型。

三、实验成果：7B 小模型表现惊人

团队在 6 大视频推理基准测试中验证效果，结果惊人：

VSI-Bench（空间推理）：Video-R1-7B 准确率 35.8%，超过 GPT-4o 的 34%。

VideoMMMU（知识推理）：52.3% 准确率，远超同类模型。

通用视频理解（如 MVBench）：性能全面提升。

强化学习（RL）是灵魂：仅用 1000 步 RL 训练，模型就从 “死记硬背” 进化到 “灵活推理”。

帧数越多越好：输入视频帧从 16 帧增加到 32 帧后，性能显著提升，说明 “看全片” 很重要！

四、有趣发现：“顿悟时刻”

在训练中，模型偶尔会表现出类似人类的 “自我反思” 行为：

例子：先给出一个答案，中途发现矛盾，重新分析视频帧，最终修正结论。

意义：这说明 AI 并非机械执行，而是在 “动脑子”—— 像学生做题时反复检查步骤！

虽然成果亮眼，但仍有改进空间：

处理长视频：当前模型最多看 32 帧，未来需支持更长的 “追剧模式”。

动态控制回答长度：避免 AI “啰嗦” 或 “过于简略”。

更大规模训练：目前 RL 训练仅 1 千步，潜力还未完全释放！