REVISOR: Más allá de la reflexión textual, hacia el razonamiento introspectivo multimodal en la comprensión de vídeos de formato largo.

REVISOR: Beyond Textual Reflection, Towards Multimodal Introspective Reasoning in Long-Form Video Understanding

November 17, 2025

Autores: Jiaze Li, Hao Yin, Wenhui Tan, Jingyang Chen, Boshen Xu, Yuxun Qu, Yijing Chen, Jianzhong Ju, Zhenbo Luo, Jian Luan

cs.AI

Resumen

Los mecanismos de autorreflexión que dependen de procesos de repensado puramente basados en texto funcionan bien en la mayoría de las tareas multimodales. Sin embargo, cuando se aplican directamente a escenarios de comprensión de vídeos de formato largo, presentan limitaciones evidentes. Las razones fundamentales radican en dos puntos: (1) la comprensión de vídeos largos implica una entrada visual más rica y dinámica, lo que significa que repensar solo la información textual es insuficiente y requiere un proceso de reflexión adicional dirigido específicamente a la información visual; (2) los mecanismos de reflexión puramente textuales carecen de capacidades de interacción multimodal, lo que les impide integrar plenamente la información visual durante la reflexión. Motivados por estas observaciones, proponemos REVISOR (REflective VIsual Segment Oriented Reasoning), un novedoso marco para la reflexión multimodal aumentada con herramientas. REVISOR permite a los MLLM construir colaborativamente procesos de reflexión introspectiva a través de las modalidades textual y visual, mejorando significativamente su capacidad de razonamiento para la comprensión de vídeos largos. Para garantizar que REVISOR aprenda a revisar con precisión segmentos de vídeo altamente relevantes para la pregunta durante el aprendizaje por refuerzo, diseñamos el mecanismo de Recompensa Disociada de Doble Atribución (DADR). Integrado en la estrategia de entrenamiento GRPO, este mecanismo impone una alineación causal entre el razonamiento del modelo y la evidencia de vídeo seleccionada. Cabe destacar que el marco REVISOR mejora significativamente la capacidad de comprensión de vídeos largos de los MLLM sin requerir ajuste supervisado suplementario ni modelos externos, logrando resultados impresionantes en cuatro benchmarks, incluyendo VideoMME, LongVideoBench, MLVU y LVBench.

English

Self-reflection mechanisms that rely on purely text-based rethinking processes perform well in most multimodal tasks. However, when directly applied to long-form video understanding scenarios, they exhibit clear limitations. The fundamental reasons for this lie in two points: (1)long-form video understanding involves richer and more dynamic visual input, meaning rethinking only the text information is insufficient and necessitates a further rethinking process specifically targeting visual information; (2) purely text-based reflection mechanisms lack cross-modal interaction capabilities, preventing them from fully integrating visual information during reflection. Motivated by these insights, we propose REVISOR (REflective VIsual Segment Oriented Reasoning), a novel framework for tool-augmented multimodal reflection. REVISOR enables MLLMs to collaboratively construct introspective reflection processes across textual and visual modalities, significantly enhancing their reasoning capability for long-form video understanding. To ensure that REVISOR can learn to accurately review video segments highly relevant to the question during reinforcement learning, we designed the Dual Attribution Decoupled Reward (DADR) mechanism. Integrated into the GRPO training strategy, this mechanism enforces causal alignment between the model's reasoning and the selected video evidence. Notably, the REVISOR framework significantly enhances long-form video understanding capability of MLLMs without requiring supplementary supervised fine-tuning or external models, achieving impressive results on four benchmarks including VideoMME, LongVideoBench, MLVU, and LVBench.