Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.01725

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.01725 (cs)
[提交于 2025年6月2日 ]

标题: VideoCap-R1:通过结构化思维增强用于视频字幕的MLLMs

标题: VideoCap-R1: Enhancing MLLMs for Video Captioning via Structured Thinking

Authors:Desen Meng, Rui Huang, Zhilin Dai, Xinhao Li, Yifan Xu, Jun Zhang, Zhenpeng Huang, Meng Zhang, Lingshu Zhang, Yi Liu, Limin Wang
摘要: 尽管强化学习的最新进展显著提升了大型语言模型(LLMs)的推理能力,但在视频字幕的多模态LLMs中,这些技术仍未得到充分探索。 本文首次系统性地研究了基于GRPO的RL微调对视频多模态LLMs的影响,旨在增强视频多模态LLMs描述视频中动作的能力。 具体而言,我们开发了VideoCap-R1,它被提示首先执行结构化思考,分析视频主体及其属性和动作,然后生成完整的字幕,支持两种专门的奖励机制:一种是无需LLM的思考评分器评估结构化思考的质量,另一种是辅助LLM的字幕评分器评估输出质量。 RL训练框架有效地建立了结构化推理与全面描述生成之间的联系,使模型能够生成更准确的动作描述。 我们的实验表明,VideoCap-R1在多个视频字幕基准测试(DREAM1K:+4.4事件F1,VDC:+4.2准确率,CAREBENCH:+3.1动作F1,+6.9对象F1)上显著优于Qwen2VL-7B基线模型(使用有限样本1.5k),并且始终优于SFT训练的对应模型,证实了GRPO在提升多模态LLMs字幕能力方面的优越性。
摘要: While recent advances in reinforcement learning have significantly enhanced reasoning capabilities in large language models (LLMs), these techniques remain underexplored in multi-modal LLMs for video captioning. This paper presents the first systematic investigation of GRPO-based RL post-training for video MLLMs, with the goal of enhancing video MLLMs' capability of describing actions in videos. Specifically, we develop the VideoCap-R1, which is prompted to first perform structured thinking that analyzes video subjects with their attributes and actions before generating complete captions, supported by two specialized reward mechanisms: a LLM-free think scorer evaluating the structured thinking quality and a LLM-assisted caption scorer assessing the output quality. The RL training framework effectively establishes the connection between structured reasoning and comprehensive description generation, enabling the model to produce captions with more accurate actions. Our experiments demonstrate that VideoCap-R1 achieves substantial improvements over the Qwen2VL-7B baseline using limited samples (1.5k) across multiple video caption benchmarks (DREAM1K: +4.4 event F1, VDC: +4.2 Acc, CAREBENCH: +3.1 action F1, +6.9 object F1) while consistently outperforming the SFT-trained counterparts, confirming GRPO's superiority in enhancing MLLMs' captioning capabilities.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2506.01725 [cs.CV]
  (或者 arXiv:2506.01725v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.01725
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Desen Meng [查看电子邮件]
[v1] 星期一, 2025 年 6 月 2 日 14:30:09 UTC (1,393 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号