计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月2日
]
标题: 视频大语言模型的强化学习调优:奖励设计与数据效率
标题: Reinforcement Learning Tuning for VideoLLMs: Reward Design and Data Efficiency
摘要: 理解具有复杂语义和长时间依赖性的真实世界视频仍然是计算机视觉中的一个基本挑战。 多模态大型语言模型(MLLMs)的最新进展展示了其在视觉-语言任务中的强大能力,而强化学习微调(RLT)进一步提升了它们的推理能力。 在这项工作中,我们探索了RLT作为一种后训练策略,以增强MLLMs的视频特定推理能力。 基于Group Relative Policy Optimization (GRPO)框架,我们提出了一种双奖励公式,通过离散和连续奖励信号监督语义和时间推理。 为了促进有效的基于偏好的优化,我们引入了一种基于重复推理的方差感知数据选择策略,以识别提供信息丰富学习信号的样本。 我们在八个具有代表性的视频理解任务上评估了我们的方法,包括VideoQA、时间视频定位和Grounded VideoQA。 我们的方法始终优于监督微调和现有的RLT基线,在显著减少训练数据的情况下取得了优越的性能。 这些结果强调了奖励设计和数据选择在利用MLLMs推进以推理为中心的视频理解中的重要性。 值得注意的是,两个月前发布的初始代码现已更新,包括优化的奖励机制和额外的数据集。 最新版本可在https://github.com/appletea233/Temporal-R1获取。
文献和引用工具
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
推荐器和搜索工具
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.