核心观点 - 阿里巴巴未来生活实验室的研究团队发现，在视频推理任务中，简单地套用文本思维链（如“一步一步思考”）会因模型产生“脑补”和幻觉而导致效果不佳，甚至不如“直接回答”[1] - 团队认为，模型“思考”的效果取决于是否教会它“如何思考”，并为此提出了一套完整的解决方案，包括高质量数据集ReWatch和SOTA模型ReWatch-R1，论文已中稿ICLR 2026[1] 数据集ReWatch - 为解决现有训练数据视频描述粗糙、问答过于简单、思维链严重依赖文本常识而非视频内容三大痛点，团队构建了包含1万视频、17万问答对和13.5万思维链的ReWatch数据集[2] - 数据集具备三大核心优势：1) 高保真时序字幕，为长视频生成带精确时间戳的详细事件描述；2) 高难度视频问答，确保问题必须依赖视频细节解答；3) 视频接地的思维链，通过多智能体ReAct框架生成与视频内容紧密绑定的推理轨迹[2] - 整个数据集的构建过程包含分层字幕生成、高难度问答对生成以及多智能体思维链合成三个阶段，确保了数据的高质量和高难度[4] 模型ReWatch-R1 - 研究团队采用SFT+RL的范式训练模型，并通过一个创新的奖励机制让模型掌握思考的精髓，其核心是带过程奖励的强化学习[6] - 过程奖励具体拆解为观察奖励和推理奖励：观察奖励评估模型生成的“观察”是否与高保真字幕相符；推理奖励评估模型仅凭其生成的“观察”信息能否推导出正确答案[8] - 该方法使模型不仅学会得出正确答案，更学会了如何通过真实、有效的步骤进行思考，基于证据链进行推理[8] 实验结果与洞察 - 实验结果表明，ReWatch-R1在五个主流视频推理基准上，平均性能显著超越了所有同量级的开源模型，取得了SOTA的成绩[9] - 关键洞察发现，在监督微调阶段，“思考模式”性能无法超越“直接回答”模式，说明SFT只能教会模型思考的“形”；而经过强化学习阶段后，“思考模式”性能实现惊人飞跃，最终大幅超越“直接回答”模式[11] - 这证明了显式的、一步步的、有证据支撑的推理过程对解决复杂视频任务至关重要，而强化学习是激发这种能力的关键[11] 总结与贡献 - 该工作通过创新的“智能体合成数据”方法，解决了高质量视频推理数据稀缺的核心瓶颈[13] - 通过“过程奖励”强化学习，成功教会了模型如何基于视频证据进行“深度思考”，而不是空想[13] - 研究表明，让模型学会“如何思考”是通往更高阶视频智能的关键一步[13]