arXiv Computer Vision· Dian Jiao, Yuqian Yuan, Jiaqi Zhu, Mingjian Gao, Siwen Tan, Yunqi Cao, Jinhui Li, Sijing Li, Zhenxuan Fan, Haoyang Wang, Wenqiao Zhang, Siliang Tang·· 13 小时前AI 评分31
V-STORM：面向细粒度时空视频推理的结构感知 GCoT 数据集
V-STORM: A Structure-Aware Grounded Chain of Thought Dataset for Faithful and Fine-Grained Spatio-Temporal Video Reasoning
AI 导读
V-STORM 将视频转成时空场景图（STSG），并从验证过的证据路径推导出 Grounded Chain of Thought（GCoT），使每一步推理都能追溯到可验证的时空证据。
推荐理由模型分析
V-STORM 把视频转成时空场景图，并从可验证的证据路径生成带定位的思维链，使每一步推理都能追溯到具体的时空片段。作者据此构建 26 万条训练样本和 3 千条人工核验基准，并指出当前多模态大模型能定位线索却难以完成多步证据组合，这一瓶颈在只看答案的评测中被掩盖。做视频理解、多模态推理或评测基准的开发者可参考其数据构造与定位忠实度指标，但结论限于论文实验条件。
来源：arXiv Computer Vision · arxiv.org