这项由上海AI实验室的何泽峰、曲小野等研究人员联合南京大学、香港中文大学、上海交通大学和北京大学共同完成的突破性研究，发表于2025年9月的arXiv预印本（论文编号：2509.24304v2），有兴趣深入了解的读者可以通过该编号查询完整论文。研究团队提出了一个名为FrameThinker的创新框架，彻底改变了AI理解长视频的方式。

想象一下，你正在看一部两小时的悬疑电影，想要找到凶手在第90分钟时留下的关键线索。传统的做法就像是把整部电影的每一帧画面都打印出来，然后让人逐一检查——这不仅效率低下，还容易在海量信息中迷失重点。而FrameThinker就像是训练了一位聪明的侦探，它会先快速浏览整部电影获得大致印象，然后根据剧情发展有针对性地重点观察可疑的时间段，最终准确找到关键证据。

这种"侦探式思维"的价值远不止于看电影。在医疗诊断中，医生需要从几小时的手术录像中找到关键操作细节；在安防监控中，需要从一整天的录像中迅速定位异常事件；在教育培训中，需要从长时间的课程录像中提取重要知识点。传统的AI视频理解系统就像是不会变通的机器人，只会按部就班地处理每一帧画面，既浪费计算资源又容易错过关键信息。

研究团队发现，现有的大型视觉语言模型在处理长视频时存在两个致命缺陷。首先是"撒网式采样"问题——就像用同样大小的网眼捕鱼，无论池塘里有什么鱼都一视同仁，结果往往网到一堆小鱼却错过了大鱼。这些模型会均匀地从视频中提取帧画面，不管这些画面是否包含有用信息。其次是"静态思维"局限——一旦开始分析，就只能依靠文本推理，无法再回头查看视频中的其他部分，就像侦探破案时只能凭借最初收集的证据，不能再回现场寻找新线索。

FrameThinker的创新之处在于引入了"多轮互动推理"的概念。这个系统会像真正的侦探一样工作：首先进行初步侦察，快速扫描整个案发现场（视频）获得大致印象；然后根据初步发现，有针对性地深入调查可疑区域；如果发现新线索，还会继续追踪相关时间段。整个过程是动态的、迭代的，每一步的发现都会指导下一步的行动。

一、革命性的多轮推理框架

FrameThinker的核心创新可以用"思考-行动-观察"的循环来理解。传统的AI系统就像是坐在办公室里的文员，只能根据别人提供的材料写报告。而FrameThinker更像是实地调研的记者，可以根据采访过程中的发现，决定下一步要采访谁、要去哪里实地考察。

具体来说，这个系统设计了三种"侦探技能"。第一种是"时间定位技能"，当系统听到"在视频的第3分20秒发生了什么"这样的问题时，它会先将这个时间戳转换为精确的帧编号，就像侦探查阅案件记录找到具体时间一样。第二种是"区间探查技能"，系统可以选择观看视频中特定时间段的连续画面，比如"查看第100帧到第200帧之间发生了什么"，这就像侦探重点勘察案发现场的某个区域。第三种是"结案技能"，当系统收集到足够证据后，会给出最终答案。

这种设计的巧妙之处在于，系统的每一个"思考"都会明确记录下来，然后基于这个思考选择具体的"行动"，最后根据行动的"观察"结果进行下一轮思考。就像侦探破案时会在笔记本上写下"我觉得凶手可能在厨房留下了痕迹"，然后决定"去厨房仔细搜查"，发现"确实在厨房水槽边找到了血迹"，于是继续思考"这说明凶手可能是左撇子"。

举个具体例子来说明这个过程。假设有人问"视频中的小女孩是用什么工具找到她要找的人的？"系统首先会快速浏览视频，发现开头有两个孩子，后面有一个大型生物。基于这个初步印象，系统会思考"关键事件可能发生在这两个时间点之间"，然后选择重点观察第16407帧到第32814帧这个时间段。通过这次仔细观察，系统发现了一个面具是关键道具，于是进一步思考"需要确认这个面具的具体用途"，继续选择观察第25782帧到第28125帧的更精确时间段。最终，系统确认面具被用来在森林中寻找目标，从而得出正确答案。

二、两阶段训练：从学习语法到掌握策略

要让AI具备这种"侦探思维"，研究团队设计了一套循序渐进的训练方法，就像培养一名优秀侦探需要先学会基本技能，再通过大量实战积累经验。

第一阶段被称为"监督精调"，相当于侦探学院的基础课程。研究团队精心准备了2392个训练案例，就像为侦探新手编写的教科书。这些案例涵盖了五种不同的推理模式：直接回答型（不需要额外搜查就能解答的简单案件）、单次搜查型（只需要查看一个地点就能破案）、时间定位型（需要先确定具体时间再进行搜查）、层级搜查型（需要先大范围搜查，再缩小范围细查）、多点搜查型（需要查看两个不同地点才能获得完整信息）。

在这个阶段，AI学习的是"侦探语法"——如何正确地表达自己的思考过程，如何规范地执行搜查行动，如何按照标准格式记录发现。就像新手侦探必须学会如何填写搜查令、如何写调查报告一样，AI必须掌握标签内写思考过程，标签内写具体行动的基本格式。

第二阶段是"强化学习"，相当于让侦探在真实案件中摸爬滚打。这个阶段使用了28000个更加复杂多样的案例，迫使AI从死记硬背转向灵活应变。就像真实的侦探工作中，每个案件都是独特的，不能简单套用教科书上的模板，AI必须学会根据具体情况制定个性化的调查策略。

这个阶段最关键的创新是"奖励机制设计"。传统的训练方法就像是只看结果不看过程的考试，只要最终答对了就给满分，不管过程多么混乱。但这样训练出来的AI可能会"投机取巧"——比如随便做几个无意义的搜查动作，然后猜一个答案，碰巧猜对了就能获得奖励。

为了避免这种情况，研究团队设计了"条件奖励"机制。就像评价侦探不仅要看破案率，还要看调查过程是否合理一样，AI只有在最终答对的前提下，才能因为使用了有效的搜查技能而获得额外奖励。这样设计确保AI不会为了获得奖励而做无意义的动作。

三、认知一致性验证：确保逻辑严密

在强化学习阶段，研究团队还发现了一个微妙但重要的问题：即使使用了条件奖励，AI有时仍会学会一些看似合理实则荒谬的行为。就像有些侦探可能会在调查报告中写"我觉得凶手在厨房"，但实际行动却是去搜查客厅，或者明明找到了关键时间点，但接下来的搜查却完全偏离了这个时间。

为了解决这个问题，研究团队开发了"认知一致性验证"模块，相当于给AI配了一位严格的督察。这个督察会检查AI的每一个推理过程，确保思考和行动之间保持逻辑一致。

具体来说，督察会进行三项检查。首先是"冗余检查"，如果AI重复执行相同的搜查动作，就会被视为逻辑混乱而终止。就像侦探不应该反复搜查同一个已经确认没有线索的地点一样。其次是"逻辑流程检查"，如果AI先费力查找了某个关键时间点，但接下来的搜查却完全忽略这个时间点，也会被认定为逻辑断裂。最后是"忠实度检查"，督察会对比AI的思考记录和实际行动，如果发现AI说要搜查A区域但实际却搜查了B区域，这种"说一套做一套"的行为也会被制止。

这种严格的监督机制确保了AI的推理过程不仅有效，而且可以被人类理解和验证。就像法庭上要求侦探的调查过程必须经得起质疑一样，AI的每一步推理都必须具有可解释性。

四、实验结果：效率与准确性的双重突破

为了验证FrameThinker的实际效果，研究团队在六个不同难度的视频理解任务上进行了全面测试，结果令人震撼。

在最具挑战性的Video-Holmes推理基准测试中，FrameThinker取得了56.1%的准确率，大幅超越了之前的最佳成绩。更令人惊讶的是，它平均只需要观看10.2帧画面就能得出正确答案，而传统方法需要观看32帧。这就像一位技艺高超的侦探只需要查看几个关键证据就能破案，而普通侦探却要把所有证据都过一遍。

在LongVideo-Reason长视频推理测试中，FrameThinker的表现更加出色，准确率达到76.1%，超越了需要观看512帧画面的竞争对手LongVILA-R1（准确率72.0%），而自己平均只观看20.6帧。这意味着FrameThinker的效率比竞争对手高出20倍以上。

在四个长视频理解基准测试中，FrameThinker同样展现出了全面的优势。在LongVideoBench测试中，准确率52.9%，平均观看21.1帧；在MLVU测试中，准确率59.1%，平均观看23.2帧；在VideoMME-Long测试中，准确率47.6%，平均观看24.1帧；在LVBench测试中，准确率36.6%，平均观看23.9帧。在所有这些测试中，FrameThinker都比传统方法节省了25%到36%的计算资源，同时准确率平均提升了10.4%。

这些数字背后反映的是思维方式的根本性改变。传统方法就像是用放大镜逐页阅读整本小说来找一个关键情节，而FrameThinker更像是熟练的读者，能够快速浏览，然后重点阅读可能包含关键信息的章节。

五、深入探索：奖励设计的微妙艺术

在开发过程中，研究团队遇到了一个意想不到的挑战：如何设计合理的奖励机制来引导AI学习。这个问题比想象中复杂得多，就像训练一只宠物，奖励给得不当可能会产生完全相反的效果。

最初，研究团队尝试了"格式奖励"，即只要AI按照正确格式输出，不管内容是否合理都给予奖励。结果发现AI很快学会了"偷懒"——它会跳过所有复杂的推理过程，直接给出一个随机答案，因为这样最容易获得格式奖励。这就像老师如果只看学生有没有按时交作业，不管作业质量，学生就会倾向于随便写点什么应付了事。

接着，研究团队尝试了"无条件行动奖励"，即只要AI执行了搜查动作就给奖励，不管最终结果如何。这导致了更严重的问题：AI学会了做无意义的重复动作来刷奖励。有些AI会陷入死循环，不停地查询同一个时间点；有些AI会在一轮推理中疯狂执行多个搜查动作，推理过程完全崩溃成无意义的重复文字。

研究团队还尝试了"多轮奖励"，即鼓励AI进行更多轮的推理。理论上这应该让AI进行更深入的思考，但实际结果是训练过程变得极其不稳定。AI确实学会了增加推理轮数，但推理质量急剧下降，最终演变成为了增加轮数而增加轮数，完全偏离了解决问题的初衷。

经过大量试验，研究团队最终确定了"条件行动奖励"的方案：只有当AI最终给出正确答案时，才会因为使用了有效的搜查技能而获得额外奖励。更精妙的是，他们发现应该给"时间定位技能"更高的奖励权重，因为这个技能提供的信息更加准确可靠，而"区间搜查技能"虽然重要，但更容易被滥用。

这种奖励设计哲学反映了一个深刻的洞察：学习的目标不应该是执行更多动作或使用更复杂的方法，而应该是更准确、更高效地解决问题。就像评价一位侦探的标准不是他搜查了多少地方、问了多少人，而是他能否用最合理的方法找到真相。

六、技术细节：从理论到实践

FrameThinker的实际实现涉及许多精巧的技术细节。整个系统基于Qwen2.5-VL-7B模型构建，这是一个拥有70亿参数的大型视觉语言模型，相当于给一个已经很聪明的AI助手安装了"视频理解"和"逻辑推理"的专业插件。

在数据准备阶段，研究团队使用了强大的Gemini-2.5-Pro模型来生成高质量的训练示例。这就像请一位顶级专家来编写教材，确保AI学到的都是最佳实践。每个训练示例都经过了严格的质量控制，只有那些推理过程逻辑清晰、最终答案正确的示例才被保留。

在训练过程中，系统会根据视频长度自适应地调整策略。对于较短的视频（300秒以内），每次搜查会获取8帧画面；对于更长的视频，会获取12帧画面以更好地覆盖时间跨度。这种灵活调整相当于侦探根据案件的复杂程度调整调查深度。

强化学习阶段使用了一种叫做"组相对策略优化"的先进算法。简单来说，这种方法会同时生成多个不同的推理路径，然后通过比较它们的效果来学习哪种策略更好。就像让多个侦探同时调查同一个案件，然后从中学习最有效的调查方法。

认知一致性验证模块的实现也颇为巧妙。它会解析AI输出中的所有数字参数，检查思考内容和行动内容之间是否匹配。比如，如果AI在思考中提到"第4974帧附近可能有关键信息"，但实际搜查的却是"第1400-1500帧"区间，系统会立即发现这种不一致并终止该推理路径。

整个训练过程在8张H800 GPU上进行，总共需要约1400个训练步骤。相比传统方法，FrameThinker的训练效率也相当高，这得益于其巧妙的奖励设计和验证机制，避免了很多无效的探索。

说到底，FrameThinker代表了AI视频理解领域的一次根本性突破。它不仅大幅提高了准确性和效率，更重要的是展示了一种全新的AI思维模式——从被动接受信息转向主动探索发现。这种"侦探式AI"的理念可能会影响到更多领域的AI应用。

归根结底，这项研究告诉我们，真正智能的系统不应该只是更大、更快的信息处理器，而应该像人类专家一样，能够根据问题的特点制定个性化的解决策略。FrameThinker的成功证明，通过精心设计的交互机制和训练方法，我们确实可以让AI具备更接近人类的推理能力。

这种技术突破对普通人的生活将产生深远影响。在不久的将来，我们可能会看到更智能的视频搜索引擎，能够快速从海量视频中找到我们真正需要的片段；更高效的在线教育系统，能够从长时间的课程录像中自动提取知识要点；更精准的医疗诊断工具，能够从复杂的医学影像中迅速定位病灶。FrameThinker不仅仅是一个技术进步，更是向着真正智能的AI系统迈出的重要一步。

对于那些对AI技术发展感兴趣的读者，这项研究也提出了值得思考的问题：当AI开始具备类似人类专家的推理能力时，我们该如何重新定义人机协作的边界？如何确保这种强大的技术能够真正服务于人类的福祉？这些问题的答案，可能会在FrameThinker及其后续研究中逐渐显现。

Q&A

Q1：FrameThinker相比传统AI视频理解方法有什么优势？

A：FrameThinker的最大优势是效率和准确性的双重提升。它像聪明的侦探一样，会先快速浏览整个视频获得大致印象，然后有针对性地重点观察可疑时间段，而不是像传统方法那样均匀地处理每一帧画面。实验结果显示，它在多个测试中的准确率平均提升了10.4%，同时使用的计算资源减少了20-36%，在某些测试中效率甚至比竞争对手高出20倍以上。

Q2：认知一致性验证模块是如何工作的？

A：认知一致性验证模块就像AI的督察，负责检查AI的推理过程是否逻辑严密。它会进行三项检查：首先检查是否有重复执行相同搜查动作的冗余行为；其次检查前后推理步骤之间的逻辑关系，比如如果AI找到了关键时间点但接下来的搜查却完全忽略这个时间点；最后检查AI的思考记录和实际行动是否匹配，防止"说一套做一套"的情况。任何违反逻辑一致性的推理过程都会被终止并给予零奖励。

Q3：FrameThinker的多轮推理过程具体是怎样的？

A：FrameThinker采用"思考-行动-观察"的循环推理模式。首先，系统会快速浏览视频获得初步印象，然后基于这个印象进行思考并选择具体行动，比如查看某个时间段的画面。根据观察结果，系统会进行下一轮思考，可能会进一步缩小搜查范围或转向其他区域。这个过程会持续进行，直到系统收集到足够信息给出最终答案。整个过程就像侦探破案，每一步的发现都会指导下一步的调查方向。