A Very Big Video Reasoning Suite

一、文章主要内容

本文针对当前视频生成模型重视觉质量、轻推理能力的现状，提出了一套名为 VBVR（Very Big Video Reasoning） 的视频推理研究体系，核心包含三大核心组件，同时通过实验揭示了视频推理的关键特性：

1. 核心组件

• VBVR-Dataset：首个大规模视频推理训练数据集，基于人类认知架构（抽象、知识、空间性、感知、转换五大能力）设计200个任务，包含201.5万张图像和100.75万个视频片段，规模较现有数据集提升约3个数量级，支持大规模训练与泛化研究。
• VBVR-Bench：可验证的评估框架，采用规则化评分器（而非LLM-based判断），确保评估结果可复现、可解释，且与人类判断的斯皮尔曼相关系数ρ>0.9，支持域内（ID）和域外（OOD）双维度泛化测试。
• VBVR-Wan2.2：基于Wan2.2微调的强基线模型，在VBVR-Dataset上训练后，整体得分达0.685，较基线提升84.6%，验证了推理导向数据的有效性。

2. 关键发现

• 数据规模扩大可同时提升模型的域内和域外推理能力，但性能会逐渐趋于饱和，且与人类表现仍存在显著差距（人类整体得分0.974）。
• 五大认知能力存在非平凡相关性（如知识与空间性正相关ρ=0.461，知识与感知负相关ρ=-0.757），揭示了模型推理能力的结构依赖。