感知先于推理：用于视频理解与问答的动态潜在推理

英文标题：Perception Before Reasoning: Dynamic Latent Reasoning for Video Understanding and Question Answering

该论文提出“动态潜在推理”框架，用于视频理解与视频问答任务。其核心问题是：模型需要将语言问题与视频视觉证据对应起来，并在必要时跨时间对证据进行推理。论文指出，现有方法通常依赖冗长的文本思维链推理过程；该研究探索以潜在推理机制替代或改进这一范式。对开发者而言，这一方向可能有助于提升视频问答系统在时序证据整合与推理效率方面的表现。

2.1 KB 483 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB