核心观点 - 小红书研究团队提出了一种名为Video-Thinker的全新“Thinking with Videos”范式，旨在通过强化学习激发多模态大语言模型在视频推理中的内生智能，摆脱对外部工具的依赖 [2] - 该方法通过将“时序定位”与“视觉描述”能力内化在模型的思维链中，使模型能自主寻找关键帧并提取视觉线索，从而实现对视频内容的自主探索与理解 [2] - 实验表明，Video-Thinker-7B模型凭借极高的数据效率，在多个高难度视频推理榜单上显著超越现有基线，确立了7B量级模型的SOTA性能 [3] 方法：内生能力导向的“数据 - 训练”全链路设计 - 核心愿景与机制：Video-Thinker旨在实现“能力内化”，通过构建高质量结构化数据（Video-Thinker-10K）和“监督微调+组相对策略优化”的两阶段训练范式，让模型学会在动态视频流中自主导航与思考 [10] - 高质量数据集构建：团队整合六大主流数据集，通过“后见之明”自动化流水线，生产出兼具精准时序定位与详尽视觉描述的结构化推理数据，样本量达10K [13] - 监督微调阶段：此阶段强制模型习得Video-Thinker独有的结构化思考范式，即“定位-感知-推理”的标准动作序列，有效抑制模型幻觉倾向 [16][18] - 强化学习阶段：采用组相对策略优化激发模型内生潜能，通过并行采样多组推理轨迹并利用相对优势指导更新，使模型将机械的格式遵循升华为灵活的视频思维能力 [19] - 涌现的“顿悟时刻”：经过强化学习训练，模型开始自发展现元认知特征，能对其初步生成的定位或描述进行自我质疑与修正，形成动态的内部反馈机制 [22] 评测：全面验证，7B模型刷新视频推理SOTA - 总体性能优势：Video-Thinker-7B在域内和域外共11个评测数据集上全面领先，确立了7B参数量级模型的新SOTA [25][28] - 域外泛化能力突出：在侦探推理类榜单Video-Holmes上准确率达43.22%，超越次优基线4.68个百分点；在综合性基准VRBench上准确率达80.69%，大幅领先最佳基线11.44个百分点 [29] - 训练阶段协同效应：消融实验表明，仅监督微调无法实现强泛化，而随后的强化学习阶段是性能飞跃的关键，使模型在Video-Holmes上的性能提升了11.70%，在VRBench上提升了18.29% [29] - 推理帧数鲁棒性：在16帧、32帧和64帧不同输入条件下，Video-Thinker-7B均持续优于对比基线，表明其具备更高效的时序信息整合机制 [30][31] - 内生能力定量验证：在时序定位任务中，Video-Thinker-7B的平均交并比达48.22%，相比基础模型提升75.5%；在内容描述任务中，其整体描述质量相比基础模型提升31.2%，相比Video-R1提升61.0% [33][36] - 内生能力对比外部工具：实验证明，将能力内化的Video-Thinker-7B表现远超简单外挂工具方案及现有的工具调用方法，在Video-Holmes上取得43.22%的最高分，显著优于VideoMind-7B的38.98% [34][35][37] 行业影响与未来展望 - Video-Thinker打破了“视频推理必须依赖外部工具”的固有认知，为视频推理领域提供了新范式 [38] - 其成功证明了视频推理能力并非依赖“大参数+大数据”的堆砌，而在于对核心内生能力的精准培养 [39] - 该技术路径有望加速AI在安防监控、智能教育、工业运维等领域的落地应用，赋能行业智能化升级 [39]