論文の概要: Video-HopChain: Multi-Hop Questions and Confidence-Gated Exploration for Video Reasoning Models

• arxiv url: http://arxiv.org/abs/2609.25773v1
• Date: Tue, 22 Sep 2026 07:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.261429
• Title: Video-HopChain: Multi-Hop Questions and Confidence-Gated Exploration for Video Reasoning Models
• Title（参考訳）: Video-HopChain:ビデオ推論モデルのためのマルチホップ質問と信頼度に基づく探索
• Abstract要約: われわれは13,378本のビデオで22,550件のマルチホップビデオ質問のデータセット、Video-HopChainを開発した。 各質問は1つのビデオのモーメントについて3つから6つのイエス/ノーの質問をチェーンし、その答えに応じて2つの整数のうち1つを得る。 まず、標準のビデオデータセットでQwen3-VL-8BをGRPOでトレーニングし、次にVideo-HopChainの2段目で平均8つのビデオ理解と推論ベンチマークを55.4から57.9に引き上げます。
• 参考スコア（独自算出の注目度）: 49.15470343618971
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: HopChain has shown on still images that multi-hop data synthesis improves vision-language reasoning, because long chain-of-thought reasoning exposes errors that compound across steps, while most data used for reinforcement learning with verifiable rewards (RLVR) rarely demands a chain of visual evidence, so these weaknesses are likely to stay unexposed. We observe the same problem in video, where this framework has not yet been explored. We therefore build Video-HopChain, a dataset of 22,550 multi-hop video questions over 13,378 videos, together with a held-out benchmark of 1,000 questions. Each question chains three to six yes/no questions about moments in one video, and each yields one of two integers depending on its answer. The final answer is the sum of these integers, so an exact match on that sum gives the verifiable reward that RLVR needs. We first train Qwen3-VL-8B with GRPO on a standard video dataset, and a second stage on Video-HopChain then raises the mean over eight video understanding and reasoning benchmarks from 55.4 to 57.9 and improves every one of them. Training on such a dataset, however, exposes a known limitation of GRPO: its learning signal comes from the reward variance within a group, so hard questions whose rollouts are all incorrect and easy questions whose rollouts are all correct both leave the group with no gradient. To recover these groups at the same compute budget, we introduce Confidence-Gated Exploration (CGE). With 8 rollouts per question, CGE samples the first 4 as usual. If these 4 are either all correct or all incorrect, it samples the last 4 with the policy's most confident token masked inside the reasoning span, and removes the masked positions from the loss while all 8 rollouts enter the advantage. With CGE, the mean rises further to 59.3. We release the dataset, the checkpoint, and the data generation and training code.
• Abstract（参考訳）: HopChain氏は静止画像で、マルチホップデータ合成が視覚言語推論を改善することを示しています。なぜなら、長いチェーンの推論がステップ間で複雑なエラーを露呈するのに対して、強化学習に有効な報酬(RLVR)を用いたデータのほとんどは、視覚的証拠の連鎖を要求されないため、これらの弱点は露呈されがちです。 我々は、このフレームワークがまだ検討されていないビデオで、同じ問題を観察する。 そこで私たちは、13,378本のビデオで22,550件のマルチホップビデオ質問のデータセット、Video-HopChainと1000件の質問のベンチマークを構築した。 各質問は1つのビデオのモーメントについて3つから6つのイエス/ノーの質問をチェーンし、その答えに応じて2つの整数のうち1つを得る。 最後の答えはこれらの整数の和であるので、その和の正確な一致は、RLVRが必要とする検証可能な報酬を与える。 まず、標準のビデオデータセットでQwen3-VL-8BをGRPOでトレーニングし、次にVideo-HopChainの2段目で、平均8つのビデオ理解と推論ベンチマークを55.4から57.9に引き上げ、それらすべてを改善します。 しかし、そのようなデータセットのトレーニングは、GRPOの既知の制限を明らかにする:その学習信号は、グループ内の報酬分散に由来するため、ロールアウトがすべて間違っていて、ロールアウトがすべて正しいという難しい質問は、いずれも勾配なしでグループを離れる。 また,これらのグループを同じ計算予算で回収するために,CGE(Confidence-Gated Exploration)を導入する。 質問毎に8つのロールアウトがあり、CGEは通常通り最初の4つをサンプリングする。 これら4つがすべて正しいか、あるいはすべて正しくない場合、最後の4つにポリシーの最も自信のあるトークンをサンプリングし、すべての8つのロールアウトがアドバンテージに入る間、マスクされた位置を損失から取り除く。 CGEでは、平均は59.3に上昇する。 データセット、チェックポイント、データ生成およびトレーニングコードをリリースします。

関連論文リスト

• HopChain: Multi-Hop Data Synthesis for Generalizable Vision-Language Reasoning [86.82637240330791]
  ロングチェーン・オブ・シークレット(CoT)推論は、さまざまな障害モードを公開する。 検証可能な報酬を持つ強化学習に用いられる既存の視覚言語データの多くは、複雑な推論連鎖を含まない。 マルチホップ視覚言語推論データを合成するためのスケーラブルなフレームワークであるHopChainを提案する。
  論文  参考訳（メタデータ） (2026-03-17T18:04:58Z)
• LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling [87.98096428508181]
  LongVTは、Multimodal Chain-of-Tool-Thoughtを通じて"Thinking with Long Videos"を可能にするエンドツーエンドのエージェントフレームワークである。 我々は、LMM固有の時間的接地機能を利用して、特定のビデオクリップをズームインし、よりきめ細かいビデオフレームを再サンプリングするネイティブビデオトリミングツールを開発した。 トレーニングデータセットは, ツール統合型冷間始動微調整用247.9K試料, エージェント強化学習用1.6K試料, エージェント強化微調整用15.4K試料からなる。
  論文  参考訳（メタデータ） (2025-11-25T19:22:48Z)
• VideoChain: A Transformer-Based Framework for Multi-hop Video Question Generation [26.84730661504223]
  本稿では,新しいマルチホップビデオ質問生成フレームワークであるVideoChainを紹介する。 VideoChainは、複数の時間的に分離されたビデオセグメントにわたる推論を必要とする質問を生成する。 評価は、標準生成メトリクス間でのVideoChainの強いパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-11-11T15:26:32Z)
• MINERVA: Evaluating Complex Video Reasoning [72.12644008002566]
  我々は、最新のマルチモーダルモデルのためのMINERVAと呼ばれる新しいビデオ推論データセットを提供する。 我々のデータセットはマルチモーダルであり、ビデオ領域と長さの点で多様であり、複雑なマルチステップの質問で構成されている。 我々は,様々なモデルにまたがる共通障害モードを特定するために,きめ細かいエラー解析を行い,推論エラーの分類を作成する。
  論文  参考訳（メタデータ） (2025-05-01T17:41:49Z)
• Causal Understanding For Video Question Answering [2.749898166276854]
  ビデオ質問回答は難しいタスクであり、複数のフレームを推論し、ビデオ内で提供されるコンテキストに基づいて、異なるオブジェクト間の相互作用を理解する必要がある。 従来のアプローチでは、NExT-QAタスクに取り組むために、サブサンプル情報または因果介入技術と完全なビデオ機能を利用する。 そこで本研究では,NExT-QAデータセットの改良に向けて,これらのアプローチの限界を抽出し,新たな4つの方向のソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-23T06:32:46Z)
• MoreHopQA: More Than Multi-hop Reasoning [32.94332511203639]
  提案するマルチホップデータセットであるMoreHopQAは,抽出結果から生成結果へシフトする。 我々のデータセットは,HotpotQA,2WikiMultihopQA,MuSiQueの3つの既存のマルチホップデータセットを利用して作成されている。 この結果から,初期のマルチホップ質問ではモデルの性能は良好であったが,拡張された質問では困難であった。
  論文  参考訳（メタデータ） (2024-06-19T09:38:59Z)
• Video Question Answering: Datasets, Algorithms and Challenges [99.9179674610955]
  Video Question Answering (VideoQA) は、与えられたビデオに応じて自然言語の質問に答えることを目的としている。 本稿では、データセット、アルゴリズム、ユニークな課題に焦点を当てた、ビデオQAの明確な分類と包括的分析を提供する。
  論文  参考訳（メタデータ） (2022-03-02T16:34:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。