VideoKR: Hacia la comprensión de videos intensiva en conocimiento y razonamiento

Resumen

Presentamos VideoKR, el primer corpus de entrenamiento a gran escala diseñado específicamente para fortalecer la comprensión de videos que requiere conocimiento y razonamiento intensivos. Comprende 315 mil ejemplos de razonamiento sobre video, extraídos de 145 mil videos nuevos recolectados, con licencia CC y de dominio experto. Desarrollamos un pipeline de generación de ejemplos orientado a habilidades y con intervención humana, que apunta a capacidades de razonamiento sobre video progresivamente más profundas, garantizando a la vez la dificultad, diversidad y fiabilidad tanto de los ejemplos como de sus razonamientos de cadena de pensamiento (CoT). También curamos VideoKR-Eval, un nuevo punto de referencia anotado por expertos donde las preguntas requieren una genuina comprensión del video y un razonamiento intensivo en conocimiento, en lugar de atajos textuales. Nuestros experimentos muestran que, bajo un pipeline estándar de SFT a GRPO, los modelos post-entrenados en VideoKR superan a enfoques de post-entrenamiento previos en razonamiento de video intensivo en conocimiento, mientras se mantienen competitivos en razonamiento de video general, destacando el diseño de datos como motor clave del progreso en razonamiento de video. Además, realizamos ablaciones exhaustivas para aislar las contribuciones de VideoKR, proporcionando información procesable para trabajos futuros.

English

We introduce VideoKR, the first large-scale training corpus specifically designed to strengthen knowledge- and reasoning-intensive video understanding. It comprises 315K video reasoning examples over 145K newly collected, CC-licensed, expert-domain videos. We develop a human-in-the-loop, skill-oriented example generation pipeline that targets progressively deeper video reasoning capabilities while ensuring the difficulty, diversity, and reliability of both the examples and their CoT rationales. We also curate VideoKR-Eval, a new expert-annotated benchmark where questions require genuine video understanding and knowledge-intensive reasoning rather than textual shortcuts. Our experiments show that, under a standard SFTrightarrowGRPO pipeline, models post-trained on VideoKR outperform prior post-training approaches on knowledge-intensive video reasoning while remaining competitive on general video reasoning, highlighting data design as a key driver of progress in video reasoning. We further conduct comprehensive ablations to isolate the contributions of VideoKR, providing actionable insights for future work.