論文の概要: Open-o3-Video-v2: Seek, Ground, and Reason with Verifiable Spatio-Temporal Evidence

• arxiv url: http://arxiv.org/abs/2610.17656v1
• Date: Tue, 13 Oct 2026 03:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:53:30.771039
• Title: Open-o3-Video-v2: Seek, Ground, and Reason with Verifiable Spatio-Temporal Evidence
• Title（参考訳）: Open-o3-Video-v2: Seek, Ground, and Reason with Verified Spatio-Temporal Evidence
• Abstract要約: 我々は,映像推論を統一されたエージェントエビデンスとして定式化するOpen-o3-Video-v2を紹介する。 そこで我々は,STGR-v2-CoT135KとSTGR-v2-RL-13Kを用いた強化学習を行った。 V-STaRでは、Open-o3-Video-v2-4Bが40.4% mAMと56.3% mLGMを獲得し、それぞれQwen3-VL-4Bのバックボーンを8.5%、12.6%上回った。
• 参考スコア（独自算出の注目度）: 80.50208364251552
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliable video reasoning requires models to produce correct answers and expose supporting visual evidence. Open-o3-Video enables verifiable reasoning by embedding timestamps and object-level bounding boxes into reasoning traces, but is restricted to frames from an initial sparse sampler. We introduce Open-o3-Video-v2, which formulates video reasoning as a unified agentic evidencegrounded process. The model identifies missing information, acquires additional observations, grounds the moments and objects supporting its reasoning, and writes this evidence into the trajectory before continuing or answering. To support this behavior, we construct STGR-v2-CoT135K, including 52K multi-turn agentic grounded reasoning trajectories, and STGR-v2-RL-13K for reinforcement learning. We further propose Clue-Seek GRPO (CS-GRPO), which tracks how tool calls change accumulated evidence, rewards clue coverage and step-wise gains, and penalizes excessive, repetitive, or uninformative retrieval. On V-STaR, Open-o3-Video-v2-4B achieves 40.4% mAM and 56.3% mLGM, outperforming its Qwen3-VL-4B backbone by 8.5% and 12.6%, respectively. It also delivers consistent gains across general video understanding, long-video reasoning, and temporal grounding benchmarks. These results show that active evidence acquisition and verifiable object-level grounding are complementary for reliable video reasoning. The code and models are released at https://msalab-pku.github.io/projects/Open-o3-Video-v2.
• Abstract（参考訳）: 信頼性の高いビデオ推論では、モデルが正しい答えを生成し、支援された視覚的証拠を公開する必要がある。 Open-o3-Videoは、タイムスタンプとオブジェクトレベルのバウンディングボックスを推論トレースに埋め込むことで、検証可能な推論を可能にする。 我々は,映像推論を統一されたエージェントエビデンスとして定式化するOpen-o3-Video-v2を紹介する。 モデルは、行方不明の情報を識別し、追加の観察を取得し、その推論を支持するモーメントとオブジェクトを根拠として、この証拠を継続または回答する前に軌道に書き込む。 そこで我々は,STGR-v2-CoT135KとSTGR-v2-RL-13Kを用いた強化学習を行った。 さらに,CS-GRPO (Clue-Seek GRPO) を提案する。これは,ツール呼び出しが蓄積された証拠をどのように変化させるかを追跡し,手掛かりのカバレッジとステップワイドゲインを報奨し,過度,反復的,あるいは非形式的検索を罰する。 V-STaRでは、Open-o3-Video-v2-4Bが40.4% mAMと56.3% mLGMを獲得し、それぞれQwen3-VL-4Bのバックボーンを8.5%、12.6%上回った。 また、一般的なビデオ理解、ロングビデオ推論、時間的グラウンドベンチマークで一貫した利得を提供する。 これらの結果から,有効な証拠取得と検証可能なオブジェクトレベルのグラウンド化が,信頼性の高いビデオ推論の補完となることが示唆された。 コードとモデルはhttps://msalab-pku.github.io/projects/Open-o3-Video-v2で公開されている。

関連論文リスト

• What Do Verifiable Rewards Teach Video-Language Models About Time? A Controlled Multi-Model Study [0.0]
  検証可能な報酬(RLVR)からの強化学習は、言語モデルにおいて大きな理由付けを生んでいる。 我々は、RLVRが時間についてビデオ教師付きモデルに何を教えるかを研究する。
  論文  参考訳（メタデータ） (2026-09-30T21:42:57Z)
• Evidence-Backed Video Question Answering [90.93225758130426]
  既存の説明可能性の取り組みは、テキストの合理性やまばらなバウンディングボックスに依存している。 E-VQA(Evidence-Backed Video Question Answering)を提案する。 これをサポートするために,識別的および生成的画素レベルのグラウンド化のための最初の人為的検証ベンチマークST-Evidenceを導入する。
  論文  参考訳（メタデータ） (2026-07-13T17:49:10Z)
• SER: Learning to Ground Video Reasoning with Semantic Evidence Rewards [8.705689021755221]
  制約されたタスクとしてRLを改革するためのセマンティックエビデンス・リワード(SER)を提案する。 ピクセルレベルのアノテーションを計算する代わりに、SERはVLMを拡張したレフェリーを使用してモデル生成のエビデンスのクレームを評価する。 VLMベンチマークでは、SERは49.6%を獲得し、強いエビデンスベースラインよりも3.0ポイント向上した。
  論文  参考訳（メタデータ） (2026-06-23T15:50:33Z)
• VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification [73.02304272829785]
  VideoBenchは、証拠を厳格に検証する長ビデオ応答のための階層的なベンチマークだ。 これは、13のドメインに500の注釈付き質問を手動で記述し、時間間隔と空間境界ボックスを組み合わせて証拠とする。 GeminiPro-3-Proでさえ、標準のエンドツーエンドのQA設定で17%未満の質問に正しく答えている。 その結果,表面レベルでの回答の正しさと真正な証拠に基づく推論との間に大きなギャップが生じた。
  論文  参考訳（メタデータ） (2026-04-02T03:29:43Z)
• 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)
• Open-o3 Video: Grounded Video Reasoning with Explicit Spatio-Temporal Evidence [70.2803680525165]
  我々は、明示的な証拠をビデオ推論に統合する非エージェントフレームワークであるOpen-o3 Videoを紹介した。 このモデルは、キーオブジェクトとバウンディングボックスをその答えとともに強調し、推論を具体的な視覚的な観察で基礎付けることができる。 V-STARベンチマークでは、Open-o3 Videoは最先端のパフォーマンスを達成し、mAMを14.4%、mLタイムスタンプを24.2%向上させた。
  論文  参考訳（メタデータ） (2025-10-23T14:05:56Z)

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。