← 返回 2026-01-09

VideoAuto-R1：基于思考一次、回答两次的视频自动推理框架 VideoAuto-R1: Video Auto Reasoning via Thinking Once, Answering Twice

Shuming Liu, Mingchen Zhuge, Changsheng Zhao, Jun Chen, Lemeng Wu, Zechun Liu, Chenchen Zhu, Zhipeng Cai, Chong Zhou, Haozhe Liu, Ernie Chang, Saksham Suri, Hongyu Xu, Qi Qian, Wei Wen, Balakrishnan Varadarajan, Zhuang Liu, Hu Xu, Florian Bordes, Raghuraman Krishnamoorthi, Bernard Ghanem, Vikas Chandra, Yunyang Xiong 📅 2026-01-08 👍 38 2026-07-13 08:35
多模态大语言模型 强化学习 自适应推理 视频理解 链式思维推理
arXiv HuggingFace PDF

提出自适应视频推理框架，只在必要时进行CoT推理，大幅提升效率同时保持准确率

前置知识

链式思维推理（Chain-of-Thought, CoT）

CoT是一种让大语言模型通过生成逐步推理过程来解决复杂问题的技术。不同于直接输出答案，CoT要求模型先进行中间推理步骤，每一步都对问题进行分解、验证和修正，最后得出结论。这种方法在数学、编程等符号化任务上效果显著，但在视频理解这类感知密集型任务上的有效性仍有待验证。CoT推理通常会产生数百个token的文本输出，增加了计算开销和推理延迟。

本文的核心是质疑CoT在视频理解任务中的必要性，并探索何时真正需要多步推理。读懂CoT的工作原理和优势劣势，是理解VideoAuto-R1提出的'按需推理'策略的基础。

GRPO（Group Relative Policy Optimization）

GRPO是一种现代强化学习算法，用基于规则的验证奖励替代了需要训练的价值网络（critic）。给定一个prompt，GRPO从当前策略πθ采样G个候选输出，对每个输出计算可验证奖励（如答案准确度、时序IoU等），然后通过组归一化得到相对优势Ai = (ri − μ)/(σ + ε)。训练目标使用PPO风格的裁剪机制，并加入KL散度正则项防止策略偏离参考模型πref。GRPO简化了RL训练流程，在数学推理任务上表现出色。

VideoAuto-R1使用GRPO作为核心训练算法来优化模型的双答案生成。理解GRPO的工作机制有助于理解论文中提到的奖励函数设计、优势计算以及为何要直接进行RL而不需要冷启动SFT。

置信度分数（Confidence Score）

置信度分数是评估模型对其输出确定程度的指标。在本文中，置信度被定义为初始答案a1中所有token的对数概率的长度归一化均值：s(a1) = (1/L) Σℓ=1^L log pθ(tℓ | t<ℓ, q)。其中pθ是模型在给定解码策略下的下一个token分布。这个分数反映了模型对初始答案的确信程度，值越高表示模型越确定。如果s(a1) ≥ log τ（τ是置信度阈值），模型会早期退出并使用初始答案；否则继续生成CoT推理。

置信度分数是VideoAuto-R1早期退出机制的核心，用于决定是否需要触发推理模式。理解如何计算和利用置信度，有助于理解模型的决策过程和推理效率的优化原理。

时序定位（Temporal Grounding）

时序定位是视频理解中的重要任务，目标是在视频中找到与文本描述相对应的时间段。给定一个视频和一段事件描述，模型需要预测该事件开始和结束的时间戳。评估通常使用recall@K（预测时间段与真实时间段的IoU超过阈值K的比例）和平均IoU（mean IoU）等指标。与视频QA不同，时序定位更依赖于视觉感知能力而非复杂的语言推理。

本文在多个基准上评估模型，包括时序定位任务（如Charades-STA和ActivityNet）。理解时序定位的任务特点和评估指标，有助于理解VideoAuto-R1在不同任务类型上的性能差异和推理激活率的变化。

研究动机

现有的视频推理模型普遍采用'始终思考'（always-thinking）策略，对所有输入都生成链式思维推理轨迹。作者发现这种策略存在两个主要问题：首先，对于RL训练的视频模型，直接回答往往能够匹配甚至超过CoT推理的性能。例如，在VideoMME基准上，Video-R1的CoT推理准确率为64.3%，而直接推理达到64.6%；在LongVideoBench上，CoT推理准确率为59.4%，直接推理为59.5%。其次，CoT推理会生成数百个token的长文本响应，大幅增加推理延迟和计算成本。Video-R1的平均响应长度为386个token，而直接回答只需要17.6个token。这种'过度思考'现象在感知导向的查询中尤为明显——模型冗长地描述视频内容或逐步比较答案选项，但最终得出的结论与直接回答相同。考虑到视频理解本质上更依赖于视觉感知而非符号推理，盲目使用CoT不仅浪费计算资源，还可能因推理过程中的幻觉而降低准确率。

本文的目标是本文的核心目标是构建一个高效且有效的视频理解框架，能够根据输入的复杂度自适应地决定是否需要进行显式的推理。具体而言，作者希望实现三个目标：第一，在真正受益于逐步推理的复杂任务上（如VideoMMMU中的数学和科学问题），模型能够触发推理模式并修正初始答案，从而达到或超越现有always-thinking模型的准确率；第二，在不需要推理的感知导向任务上（如MVBench中的物体识别和动作分类），模型能够直接给出简洁答案，大幅减少生成的token数量和推理延迟；第三，整个框架的训练过程应该简单稳定，不需要人工标注每条样本是否需要推理，也不容易出现模型崩塌（总是思考或从不思考）的问题。

与已有工作不同的是，本文的独特切入角度在于质疑CoT在视频理解任务中的普遍必要性，并首次系统性地比较了直接推理和CoT推理在多个视频理解基准上的表现。与现有的auto-thinking工作不同，这些方法通常在训练时学习一个二元的切换策略（思考或不思考），需要仔细的数据平衡和额外的监督信号。VideoAuto-R1采用了完全不同的思路：在训练时不进行模式切换决策，而是要求模型同时生成初始答案和审查后的答案，通过双答案奖励机制让模型学会正确的推理行为；在推理时才根据初始答案的置信度动态决定是否继续推理。这种训练-推理解耦的设计消除了对per-sample think/no-think标签的需求，避免了训练时的模式崩塌问题，并提供了一个简单且可控制的推理策略。此外，本文还发现现有的视频推理基准（如VideoMMMU）中真正'必须思考'的样本相对稀少，这解释了为什么直接推理在许多任务上已经足够有效。

核心方法

VideoAuto-R1的整体思路可以概括为'训练时思考一次、回答两次，推理时根据置信度决定是否继续思考'。在训练阶段，模型被要求按照一个固定的输出模板生成响应：首先输出一个简洁的初始答案（封装在\boxed{...}中），然后进行逐步推理（封装在...标签内），最后输出审查后的答案（再次封装在\boxed{...}中）。这种'answer → think → answer'范式确保模型总是先生成一个直接的回答，然后再通过推理来验证或修正它。训练使用GRPO强化学习算法，对初始答案和审查答案都进行可验证的奖励监督，其中审查答案的奖励权重更高（w2 > w1），以鼓励模型在推理阶段改进答案。在推理阶段，模型首先只解码到第一个\boxed{...}的结束位置，计算初始答案中所有token的置信度分数（长度归一化的平均对数概率）。如果置信度超过预设阈值τ（实验中设置为0.97），模型立即早期退出，将初始答案作为最终结果；否则继续生成推理过程和第二个答案。这种基于置信度的早期退出机制使模型能够根据输入的复杂度自适应地分配计算资源：简单问题直接回答，复杂问题则进行完整推理。

VideoAuto-R1的核心创新点在于将'何时思考'和'如何思考'这两个决策完全解耦。传统方法试图在训练时学习一个切换策略来决定是否使用CoT，这需要精心设计的数据平衡和额外的监督信号，且容易导致模型崩塌。VideoAuto-R1则在训练时完全不进行模式选择，而是让模型学习同时生成直接答案和推理答案，通过强化学习的奖励机制来塑造正确的推理行为。推理时的决策完全基于初始答案的置信度，这是一个简单规则但效果显著的机制。另一个关键创新是引入了fallback机制：当模型无法确定初始答案时，可以输出一个特殊的fallback字符串'Let's analyze the problem step by step'，这不会被视为错误答案，而是模型诚实表达不确定性的信号。这种设计避免了低置信度的随机猜测，并通过额外的奖励鼓励模型在确实困难时推迟推理。此外，双答案奖励的设计也很有新意：作者不是简单地要求两个答案都正确，而是给第二个答案更高的奖励权重，这样即使第一个答案错误，只要第二个答案正确，模型仍能获得较高奖励，这强化了推理的纠错价值。

方法步骤详情

VideoAuto-R1的完整方法步骤可以分为训练和推理两个阶段。在训练阶段，首先需要准备多样化的训练数据，包括文本（数学推理）、图像（视觉推理）和视频（视频QA和时序定位）数据，总共约83K个样本。对于每个样本，使用GRPO算法进行训练：给定prompt q，从当前策略πθ采样G=16个候选输出，每个输出遵循'\boxed{a1} r \boxed{a2}'的格式。对于每个输出，计算总奖励R = w1 Rtask(a1) + w2 Rtask(a2) + λ Rfmt + α Rfallback，其中w1=0.9、w2=1.1、λ=1、α=0.3。Rtask根据任务类型计算：QA任务使用字符串匹配或math-verify得到二元奖励；时序定位任务计算预测时间段与真实时间段的最大IoU；grounding QA则是两者的和。Rfmt检查输出格式是否正确（恰好两个\boxed{...}和一个...）。Rfallback是一个额外的奖励，当a1是fallback字符串且a2正确时激活。然后计算组归一化的优势Ai = (ri − μ)/(σ + ε)，使用PPO风格的目标函数更新策略参数。训练在32张H100 GPU上进行约35小时，视觉编码器保持冻结，只训练投影层和LLM。在推理阶段，给定输入(v, q)，使用贪婪解码（温度为0）直到生成第一个标签。提取第一个\boxed{...}内的token序列a1 = (t1, ..., tL)。如果a1是fallback字符串，设置置信度s(a1) = -∞，强制继续推理；否则计算s(a1) = (1/L) Σℓ=1^L log pθ(tℓ | t<ℓ, q)。如果s(a1) ≥ log τ（τ=0.97），接受初始答案并返回a1；否则继续生成推理和第二个答案，返回a2。

技术新颖性

VideoAuto-R1的技术新颖性体现在多个方面。首先，这是首个系统性地研究视频推理中直接回答和CoT推理性能差异的工作，揭示了现有模型在感知导向任务上CoT推理往往不如直接回答这一反直觉的发现。其次，作者提出的'思考一次、回答两次'训练范式与现有的auto-thinking方法有本质区别：不是训练模型在思考和不思考之间切换，而是让模型学习同时生成两种输出，将模式选择推迟到推理时。这种设计完全消除了对per-sample think/no-think标签的需求，也避免了训练时的模式崩塌问题。第三，基于置信度的早期退出机制简单但有效，不需要额外的可学习参数或模型头，且置信度分数与答案正确性高度相关（实验中达到94%-100%的召回率）。第四，作者引入的fallback机制是一个巧妙的设计，它既保持了输出格式的一致性，又允许模型在困难时诚实表达不确定性，而不是进行低置信度的随机猜测。第五，双答案奖励的设计也很新颖，通过w2 > w1的不等权重来强化'错误→正确'比'正确→错误'更优的行为，并使用Rfallback奖励来区分错误的猜测和诚实的推迟推理。最后，VideoAuto-R1在多个基准上实现了SOTA性能的同时，将平均响应长度从149个token大幅减少到44个（减少约3.3倍），展示了自适应推理的巨大效率优势。

VideoAuto-R1 follows a thinking once, answering twice paradigm. In training, both the initial answer and the reviewed answer are supervised with verifiable rewards. During inference, an early-exit mechanism is adopted to dynamically determine whether to proceed with CoT reasoning.
Figure 1: VideoAuto-R1 follows a thinking once, answering twice paradigm. In training, both the initial answer and the reviewed answer are supervised with verifiable rewards. During inference, an early-exit mechanism is adopted to dynamically determine whether to proceed with CoT reasoning.
Overview of VideoAuto-R1. (a) Training: The response follows the answer →think →answer template, jointly optimizing both the initial and reviewed answers. Specifically, a fallback reward is introduced to avoid a spurious initial guess. (b) Inference: The model first produces an initial answer. If its length-normalized confidence exceeds a threshold τ, decoding terminates as direct answering; otherwise, the model continues with CoT reasoning and outputs a reviewed answer, enabling adaptive, confidence-based early exit.
Figure 2: Overview of VideoAuto-R1. (a) Training: The response follows the answer →think →answer template, jointly optimizing both the initial and reviewed answers. Specifically, a fallback reward is introduced to avoid a spurious initial guess. (b) Inference: The model first produces an initial answer. If its length-normalized confidence exceeds a threshold τ, decoding terminates as direct answering; otherwise, the model continues with CoT reasoning and outputs a reviewed answer, enabling adaptive, confidence-based early exit.
VideoAuto-R1 Performing Complex Math Reasoning. The model applies probability and integration, revising an incorrect initial answer to the correct one through structured reasoning.
Figure 4: VideoAuto-R1 Performing Complex Math Reasoning. The model applies probability and integration, revising an incorrect initial answer to the correct one through structured reasoning.

实验结果

VideoAuto-R1在多个视频理解基准上取得了显著的性能提升和效率优化。在视频QA任务中，VideoAuto-R1（基于Qwen2.5-VL-7B）在VideoMME上达到67.3%的准确率，超过了Video-R1（61.8%）、VITAL（64.1%）和VideoChat-R1.5（65.2%）等现有推理模型。在推理密集型的VideoMMMU基准上，VideoAuto-R1将准确率从54.7%（Qwen基线）提升到58.6%（+3.9%），并在MVP基准上将成对准确率从36.5%提升到39.4%。在感知导向的MVBench和MMVU基准上，VideoAuto-R1也分别达到了71.0%和69.7%的准确率。在时序定位任务中，VideoAuto-R1在Charades-STA上的mIoU从52.9%（基线）提升到60.0%，在ActivityNet上的mIoU从26.9%提升到47.6%，在NExT-GQA上的准确率从53.3%提升到80.6%。更重要的是，VideoAuto-R1在提升准确率的同时大幅提高了推理效率：平均响应长度从Video-R1的386个token减少到44个token（减少约8.8倍），在Qwen基线的149个token上也有约3.3倍的减少。模型的推理激活率也展现了良好的任务适应性：在感知导向的MVBench上只有25%的样本触发推理模式，而在推理密集的VideoMMMU上达到51%。作者还发现，对于时序定位任务，初始答案和审查答案的性能几乎相同（例如在Charades-STA上两者mIoU都是60.0%），因此作者在这些任务上直接采用早期退出策略，进一步节省计算资源。在图像理解基准上，VideoAuto-R1也展示了良好的泛化能力，在MathVista、MathVision、MathVerse、MMMU、MMMU-Pro和MM-Vet上都超过了Qwen基线。

Comparison of Direct and CoT Inference for Video Reasoning Models. Direct inference means answering without explanations. CoT inference follows each model's default prompt to elicit step-by-step reasoning and then generate the final answer. All models are re-evaluated with the same inputs.
Table 1: Comparison of Direct and CoT Inference for Video Reasoning Models. Direct inference means answering without explanations. CoT inference follows each model's default prompt to elicit step-by-step reasoning and then generate the final answer. All models are re-evaluated with the same inputs.
Evaluation Results on Video QA Benchmarks. We compare VideoAuto-R1 with thinking-only video reasoning models on both perception-oriented and reasoning-heavy benchmarks, and also report the average response length (in tokens).
Table 3: Evaluation Results on Video QA Benchmarks. We compare VideoAuto-R1 with thinking-only video reasoning models on both perception-oriented and reasoning-heavy benchmarks, and also report the average response length (in tokens).
Evaluation Results on Temporal Grounding Benchmarks. † means reproduced results. We observe that on grounding benchmark, the initial boxed answer is sufficient, so we early-exit without further reasoning to save computation.
Table 4: Evaluation Results on Temporal Grounding Benchmarks. † means reproduced results. We observe that on grounding benchmark, the initial boxed answer is sufficient, so we early-exit without further reasoning to save computation.
Comparison with Other Adaptive Reasoning Strategies. For comparison, we reproduce a training-based auto-thinking baseline following Zhang et al. (2025b) that assigns think labels during RL. Results show that our inference-based selection yields higher and more stable accuracy across benchmarks.
Table 7: Comparison with Other Adaptive Reasoning Strategies. For comparison, we reproduce a training-based auto-thinking baseline following Zhang et al. (2025b) that assigns think labels during RL. Results show that our inference-based selection yields higher and more stable accuracy across benchmarks.
Initial Answer's Confidence Separates Think-Needed Samples. VideoMMMU shows markedly lower probability than MVBench and MMVU, indicating greater uncertainty. Accordingly, our confidence-based early exit triggers thinking more often on Video-MMMU, yielding a +4% accuracy gain.
Table 8: Initial Answer's Confidence Separates Think-Needed Samples. VideoMMMU shows markedly lower probability than MVBench and MMVU, indicating greater uncertainty. Accordingly, our confidence-based early exit triggers thinking more often on Video-MMMU, yielding a +4% accuracy gain.
Ablations on Reward Design. Emphasizing the reviewed answer by setting w2 > w1 outperforms equal weighting. Adding a small fallback reward α further improves accuracy.
Table 9: Ablations on Reward Design. Emphasizing the reviewed answer by setting w2 > w1 outperforms equal weighting. Adding a small fallback reward α further improves accuracy.
Effect of the Early-Exit Threshold on Accuracy and Think Ratio. In practice, we set τ = 0.97 for all datasets.
Figure 3: Effect of the Early-Exit Threshold on Accuracy and Think Ratio. In practice, we set τ = 0.97 for all datasets.
查看结构化数据
任务指标本文基线提升
VideoMME（视频问答） 准确率 67.3% Qwen2.5-VL-7B: 66.0% +1.3%
VideoMMMU（推理密集型视频问答） 准确率 58.6% Qwen2.5-VL-7B: 54.7% +3.9%
MVP（成对视频推理） 成对准确率 39.4% Qwen2.5-VL-7B: 36.5% +2.9%
Charades-STA（时序定位） 平均IoU 60.0% Qwen2.5-VL-7B: 52.9% +7.1%
ActivityNet（时序定位） 平均IoU 47.6% Qwen2.5-VL-7B: 26.9% +20.7%
平均响应长度 token数量 44 tokens RL with Thinking: 149 tokens 减少约3.3倍

局限与改进

VideoAuto-R1存在几个局限性。首先，当前的置信度早期退出机制是纯基于规则的后处理决策，没有在训练目标中显式地塑造置信度分布。简单问题应该鼓励模型对正确的直接答案赋予高置信度，而真正困难的问题应该学习保持低置信度并推迟到推理阶段。联合优化准确率和校准的置信度可能进一步提升早期退出策略的可靠性。其次，现有的推理机制严格依赖基于语言的链式思维，虽然在符号和逻辑任务上有效，但在感知导向的QA和时序定位基准上，相比直接回答只有有限的改进。这表明纯语义的推理可能不足以纠正细粒度的视觉感知错误或精确的时间边界，一旦初始的视觉编码固定后。第三，现有的视频推理基准在范围和难度上仍然有限。许多数据集包含相对较短的片段和感知导向的问题，需要更先进的基准来测试长期时间依赖性、组合逻辑和反事实推理等能力。第四，真正'必须思考'的视频数据仍然稀缺，构建需要深度推理的大规模视频数据集（如多事件因果链、非平凡的时间谜题或具有挑战性的物理场景）是未来有价值的方向。作者还指出，对于时序定位任务，显式推理提供的额外收益有限，这表明RL对这些任务有显著改善，但通常不需要依赖基于语言的思考推理。

独立分析的弱点

从独立分析的角度看，VideoAuto-R1存在几个潜在的弱点。第一，置信度分数的计算基于模型自身的预测概率，这可能受到模型校准问题的影响。如果模型对错误答案过度自信，早期退出机制可能导致错误答案的传播。特别是在视觉内容模糊或存在噪声的场景下，模型可能对错误的感知判断给予高置信度。改进方向可以是引入外部验证器或多轮验证机制，或者将置信度校准纳入训练目标。第二，当前的fallback机制虽然避免了低置信度的随机猜测，但模型可能滥用这个fallback字符串，特别是在训练早期当模型还不熟悉任务时。虽然Rfallback奖励的设计试图缓解这个问题，但仍然需要更精细的机制来控制fallback的使用频率。第三，VideoAuto-R1在时序定位任务上的推理能力有限，这可能是由于缺乏针对grounding任务的SFT阶段来教模型如何进行显式推理。即使模型产生了推理过程，也很难修正预测的时间段。改进方向可以是设计专门针对grounding任务的推理模板，或者探索视觉-语言交织的推理范式（如'thinking with frames'），让模型在推理过程中显式地重新审视视频片段或视觉特征。第四，实验中发现VideoMMMU的性能会随着帧数的增加而略微下降，这可能表明模型在处理更多视觉信息时出现了注意力分散或过拟合的问题。改进方向可以是设计更好的注意力机制或信息聚合策略来处理长视频。第五，虽然作者声称双答案训练避免了模式崩塌，但实验中仍然观察到在某些配置下模型可能倾向于过度使用推理模式（例如τ设置过低时）。这需要更仔细的超参数调优或更智能的置信度阈值确定方法。

未来方向

作者提出的未来工作方向包括：将初始答案的概率分布纳入训练目标，联合优化准确率和校准的置信度；探索交错的多模态推理范式，如'thinking with frames'，让模型在推理过程中显式地重新审视视频片段；构建更先进的视频推理基准，测试长期时间依赖性、组合逻辑和反事实推理等能力；构建需要深度推理的大规模视频数据集。基于本文的成果，可以延伸的未来方向包括：将VideoAuto-R1的框架扩展到其他多模态任务（如图像理解、音频理解等），探索自适应推理的普适性；研究不同的置信度计算方法，如基于注意力权重、基于不确定性估计或基于集成模型的方法；探索更复杂的奖励设计，如基于推理质量、推理简洁性或推理一致性的奖励；研究模型在开放域视频理解上的表现，以及如何处理分布外或对抗性的输入；探索VideoAuto-R1与知识检索、工具调用等技术的结合，构建更强大的视频推理系统；研究模型的可解释性，通过分析推理过程来理解模型的决策逻辑和潜在偏见。

复现评估

论文在复现性方面做得相对较好。作者提供了详细的实验设置，包括实现细节（使用Qwen2.5-VL-7B-Instruct和Qwen3-VL-8B-Instruct作为基线，最大视频token数为4,096，最大帧数为256）、训练超参数（AdamW优化器，学习率1×10^-6，权重衰减0.01，最大梯度范数1.0，KL惩罚系数β=0.01，任务奖励权重w1=0.9和w2=1.1，格式奖励权重λ=1，fallback奖励权重α=0.3，全局batch size为256，训练一个epoch）和推理设置（使用lmms-eval进行评估，贪婪解码，最大响应长度4,096 token，早期退出置信度阈值τ=0.97）。作者还描述了训练数据的来源和组成（83K样本，包括文本、图像和视频数据），以及数据过滤管道（使用8个响应的平均准确率来过滤过于简单或困难的样本）。然而，论文没有提供代码或训练好的模型权重，这在一定程度上限制了复现的便利性。算力需求方面，训练需要32张H100 GPU约35小时，这对于大多数研究机构来说是一个较高的门槛。推理阶段的开销相对较低，只需要基线模型和推理脚本。整体而言，论文的复现难度属于中等到较高水平，主要障碍是算力需求和缺乏开源代码。如果作者未来能够发布代码和模型权重，将大大提高复现的便利性。

论文图表

Failure case of VideoChat-R1. The model hallucinates visual content in its reasoning trace, leading to an incorrect answer. Direct answering performs better in this perception-oriented task.
Figure 7: Failure case of VideoChat-R1. The model hallucinates visual content in its reasoning trace, leading to an incorrect answer. Direct answering performs better in this perception-oriented task.

这张图展示了一个VideoChat-R1失败的具体案例，说明了过度思考的问题。问题是关于视频中最后场景的舞蹈动作，正确答案是A（单膝跪地并向后倾斜）。VideoChat-R1的直接回答给出了正确的答案A，但在CoT推理过程中，模型产生了幻觉：它错误地描述了视频中不存在的舞蹈细节（如1:50到2:00的大跳动作grand jete），最终得出错误的答案D。这个示例清楚地展示了在感知导向的任务上，CoT推理可能引入幻觉，导致正确答案被错误的推理过程覆盖。

这张图对理解论文动机非常重要。它提供了一个具体的失败案例，支持了作者关于'过度思考'的观点：在感知导向的任务上，CoT推理可能不仅没有帮助，反而因为推理过程中的幻觉而降低性能。图中的对比（直接回答正确，CoT推理错误）直观地展示了为什么有些任务不需要推理，甚至在某些情况下推理是有害的。这一发现是VideoAuto-R1提出'按需推理'策略的重要动机。

Figure 8: Success Case of VideoChat-R1 on VideoMMMU. The question involves scientific分析with equations. Chain-of-thought reasoning leads to the correct answer, whereas direct answering would likely fail.

这张图展示了一个VideoChat-R1成功的案例，说明了CoT推理在复杂任务上的价值。问题是一个关于风洞的科学分析问题，涉及压力转换和公式计算。VideoChat-R1的直接回答给出了错误的答案E（95280 Pa），但在CoT推理过程中，模型逐步应用了压强转换公式（1 mm water = 0.002316 psi）、绝对压强公式（P_abs = P_gauge + P_atm）和单位转换（1 psi ≈ 6894.757293 Pa），最终计算出正确的绝对压强约102,000 Pa，选择最接近的选项B（101350 Pa）。这个示例清楚地展示了推理过程的价值：通过逐步计算和验证，模型能够纠正初始的错误答案。

这张图对理解论文的核心论点非常重要。它提供了一个具体的成功案例，展示了CoT推理在真正需要推理的复杂任务上的价值。图中的科学分析和公式计算清楚地说明了为什么有些问题需要多步推理：它们涉及符号操作、公式应用和中间验证，直接回答很难正确。这一发现与图7的失败案例形成了鲜明对比，支持了作者关于'按需推理'的核心观点：有些任务需要推理，有些不需要，关键是能够区分它们。

Figure 9: VideoAuto-R1 on Temporal Grounding Tasks. The reasoning trace is simple and redundant with the initial answer, enabling effective early-exit without full CoT reasoning.

这张图展示了VideoAuto-R1在时序定位任务上的输出示例。图中有三个示例，分别涉及'倒啤酒'、'拉回筏子上的人'和'乌龟吃叶子后人的动作'的时序定位。对于每个示例，VideoAuto-R1输出了一个初始答案（封装在\boxed{...}中）和一个推理过程（封装在<think>...</think>中），最后输出审查答案。观察发现：推理过程通常非常简单，主要是识别动作的开始和结束时间；初始答案和审查答案几乎完全相同（在第一个和第二个示例中，两个答案完全相同）；推理过程提供的信息有限，主要重复了初始答案的结论。这些观察支持了作者关于时序定位任务不需要显式推理的观点。

这张图对理解VideoAuto-R1在时序定位任务上的行为非常重要。它提供了具体的定性示例，展示了为什么作者在时序定位任务上直接采用早期退出策略。图中的推理过程简单且冗余，清楚地说明了显式推理在这些任务上的有限价值。这一观察与表格4中的定量结果一致，支持了作者关于时序定位任务主要依赖视觉感知而非复杂推理的论点。

Figure 10: VideoAuto-R1 on Perception-Oriented QA Tasks. High-confidence initial answers trigger early exit, improving inference efficiency.

这张图展示了VideoAuto-R1在感知导向的QA任务上的输出示例。图中有两个示例，分别涉及'视频中的人执行什么动作'和'画廊中女人的描述和变化'。对于第一个示例，问题是识别视频中的动作，正确答案是C（stirring），VideoAuto-R1输出初始答案\boxed{C}，置信度0.99，由于置信度高于阈值0.97，模型早期退出，不再生成推理过程。对于第二个示例，问题是识别视频中女人说的话时的变化，正确答案是A（走去欣赏四幅艺术品），VideoAuto-R1输出初始答案\boxed{A}，置信度0.99，同样早期退出。这两个示例清楚地展示了VideoAuto-R1在简单感知任务上的高置信度和早期退出行为。

这张图对理解VideoAuto-R1在简单任务上的效率优势非常重要。它提供了具体的定性示例，展示了高置信度的初始答案如何触发早期退出，大幅减少推理开销。图中的示例都是简单的感知任务，模型能够直接给出高置信度的正确答案，不需要额外的推理。这一观察与表格3中低推理激活率（25%）的定量结果一致，支持了作者关于感知导向任务不需要复杂推理的论点。

Figure 11: VideoAuto-R1 on Reasoning-Oriented QA Tasks. The reasoning trace is longer and more detailed, with clear step-by-step deductions.

这张图展示了VideoAuto-R1在推理导向的QA任务上的输出示例。问题是关于Belbin团队角色模型的应用，描述了一个团队成员的特征（持续产生创新想法但难以实施、忽视实际细节），要求识别最可能的角色和潜在弱点。正确答案是B（Plant角色；可能忽视细节、沟通不充分）。VideoAuto-R1输出初始答案\boxed{B}，置信度0.94，由于置信度低于阈值0.97，模型继续生成推理过程。推理过程详细分析了Plant角色的特征和弱点，包括创新性、创造力、问题解决能力等，以及忽视细节和沟通不充分的潜在弱点，最终确认答案是B。这个示例展示了推理导向任务上的较长和详细的推理过程，与感知导向任务形成对比。

这张图对理解VideoAuto-R1在复杂任务上的工作方式非常重要。它提供了一个具体的示例，展示了为什么推理导向任务需要CoT推理。图中的推理过程详细且结构化，清楚地展示了多步推理的价值：通过逐步分析角色特征和弱点，模型能够验证和确认初始答案。这一观察与表格3中高推理激活率（51%）的定量结果一致，支持了作者关于推理密集任务需要复杂推理的论点。