VideoKR: Rumo à Compreensão de Vídeo Intensiva em Conhecimento e Raciocínio

Resumo

Apresentamos o VideoKR, o primeiro corpus de treino em larga escala especificamente concebido para reforçar a compreensão de vídeos intensiva em conhecimento e raciocínio. Este corpus compreende 315 mil exemplos de raciocínio sobre vídeos, abrangendo 145 mil novos vídeos coletados, licenciados sob Creative Commons, de domínios especializados. Desenvolvemos um pipeline de geração de exemplos orientado por competências, com intervenção humana, que visa capacidades de raciocínio sobre vídeos progressivamente mais profundas, garantindo a dificuldade, diversidade e fiabilidade tanto dos exemplos como das suas justificações em Cadeia de Pensamento (CoT). Também organizamos o VideoKR-Eval, um novo benchmark anotado por especialistas, onde as perguntas exigem uma compreensão genuína do vídeo e um raciocínio intensivo em conhecimento, em vez de atalhos textuais. As nossas experiências mostram que, sob um pipeline padrão de SFT→GRPO, os modelos pós-treinados no VideoKR superam abordagens anteriores de pós-treino em raciocínio sobre vídeos intensivo em conhecimento, mantendo-se competitivos no raciocínio geral sobre vídeos, destacando a conceção dos dados como um fator chave para o progresso no raciocínio sobre vídeos. Realizamos ainda ablações abrangentes para isolar as contribuições do VideoKR, fornecendo ideias acionáveis para trabalhos 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.