RANKVIDEO: Ранжирующий реранкинг для поиска видео по текстовому запросу
RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval
February 2, 2026
Авторы: Tyler Skow, Alexander Martin, Benjamin Van Durme, Rama Chellappa, Reno Kriz
cs.AI
Аннотация
Ранжирование является ключевым компонентом современных поисковых систем, которые обычно сочетают эффективный поиск на первом этапе с более выразительной моделью для уточнения результатов. Хотя большие языковые модели способствовали быстрому прогрессу в текстовом переранжировании, подходы на основе логического вывода для поиска видео остаются малоизученными. Для решения этой проблемы мы представляем RANKVIDEO — систему переранжирования для видео-поиска, которая явно анализирует пары «запрос-видео», используя содержание видео для оценки релевантности. RANKVIDEO обучается по двухэтапной учебной программе, включающей контролируемую тонкую настройку на основе восприятия с последующим обучением переранжированию, которое сочетает точечные, парные цели и дистилляцию уверенности учителя, и поддерживается конвейером синтеза данных для создания пар «запрос-видео», требующих интенсивного логического анализа. Эксперименты на крупном бенчмарке MultiVENT 2.0 демонстрируют, что RANKVIDEO стабильно улучшает производительность поиска в двухэтапной框架, обеспечивая среднее улучшение на 31% по nDCG@10 и превосходя альтернативы на основе только текста и моделей «визуальный язык-текст», оставаясь при этом более эффективной.
English
Reranking is a critical component of modern retrieval systems, which typically pair an efficient first-stage retriever with a more expressive model to refine results. While large reasoning models have driven rapid progress in text-centric reranking, reasoning-based reranking for video retrieval remains underexplored. To address this gap, we introduce RANKVIDEO, a reasoning-based reranker for video retrieval that explicitly reasons over query-video pairs using video content to assess relevance. RANKVIDEO is trained using a two-stage curriculum consisting of perception-grounded supervised fine-tuning followed by reranking training that combines pointwise, pairwise, and teacher confidence distillation objectives, and is supported by a data synthesis pipeline for constructing reasoning-intensive query-video pairs. Experiments on the large-scale MultiVENT 2.0 benchmark demonstrate that RANKVIDEO consistently improves retrieval performance within a two-stage framework, yielding an average improvement of 31% on nDCG@10 and outperforming text-only and vision-language reranking alternatives, while more efficient.