超大規模ビデオ推論スイート

A Very Big Video Reasoning Suite

February 23, 2026

著者: Maijunxian Wang, Ruisi Wang, Juyi Lin, Ran Ji, Thaddäus Wiedemer, Qingying Gao, Dezhi Luo, Yaoyao Qian, Lianyu Huang, Zelong Hong, Jiahui Ge, Qianli Ma, Hang He, Yifan Zhou, Lingzi Guo, Lantao Mei, Jiachen Li, Hanwen Xing, Tianqi Zhao, Fengyuan Yu, Weihang Xiao, Yizheng Jiao, Jianheng Hou, Danyang Zhang, Pengcheng Xu, Boyang Zhong, Zehong Zhao, Gaoyun Fang, John Kitaoka, Yile Xu, Hua Xu, Kenton Blacutt, Tin Nguyen, Siyuan Song, Haoran Sun, Shaoyue Wen, Linyang He, Runming Wang, Yanzhi Wang, Mengyue Yang, Ziqiao Ma, Raphaël Millière, Freda Shi, Nuno Vasconcelos, Daniel Khashabi, Alan Yuille, Yilun Du, Ziming Liu, Bo Li, Dahua Lin, Ziwei Liu, Vikash Kumar, Yijiang Li, Lei Yang, Zhongang Cai, Hokin Deng

cs.AI

要旨

動画モデルの急速な進歩は主に視覚的品質に焦点が当てられており、その推論能力は十分に探求されていません。動画推論は、テキストが自然に捉えられる範囲を超えた時空間的に一貫した視覚環境において知能を接地し、連続性、相互作用、因果関係といった時空間構造に対する直感的な推論を可能にします。しかし、大規模な学習データの不足により、動画推論とそのスケーリング特性を体系的に研究することが妨げられています。この課題に対処するため、我々は「超大規模動画推論（VBVR）データセット」を導入します。これは、原則に基づいた分類法に沿った200の精選された推論タスクと100万本以上の動画クリップを網羅する、既存データセットよりも約3桁規模が大きい前例のない大規模リソースです。さらに、モデルベースの評価を超えた検証可能な評価フレームワーク「VBVR-Bench」を提案します。これはルールベースの人間整合型採点器を組み込むことで、再現性と解釈性のある動画推論能力の診断を実現します。VBVRスイートを活用し、我々は動画推論における初の大規模スケーリング研究の一つを実施し、未見の推論タスクへの創発的汎化の初期兆候を観察しました。VBVRは総じて、汎化可能な動画推論研究の新たな段階への基盤を築きます。データ、ベンチマークツールキット、モデルはhttps://video-reason.com/で公開されています。

English

Rapid progress in video models has largely focused on visual quality, leaving their reasoning capabilities underexplored. Video reasoning grounds intelligence in spatiotemporally consistent visual environments that go beyond what text can naturally capture, enabling intuitive reasoning over spatiotemporal structure such as continuity, interaction, and causality. However, systematically studying video reasoning and its scaling behavior is hindered by the lack of large-scale training data. To address this gap, we introduce the Very Big Video Reasoning (VBVR) Dataset, an unprecedentedly large-scale resource spanning 200 curated reasoning tasks following a principled taxonomy and over one million video clips, approximately three orders of magnitude larger than existing datasets. We further present VBVR-Bench, a verifiable evaluation framework that moves beyond model-based judging by incorporating rule-based, human-aligned scorers, enabling reproducible and interpretable diagnosis of video reasoning capabilities. Leveraging the VBVR suite, we conduct one of the first large-scale scaling studies of video reasoning and observe early signs of emergent generalization to unseen reasoning tasks. Together, VBVR lays a foundation for the next stage of research in generalizable video reasoning. The data, benchmark toolkit, and models are publicly available at https://video-reason.com/ .