VideoLVR：基于视频证据的潜在视觉推理

VideoLVR 通过从视频相关时刻的局部区域构建潜在视觉证据，为多模态大模型的中间推理步骤提供视觉支撑，避免语言推理链中的视觉遗忘。该方法引入视觉 token 预测目标，将视觉 token 重建表述为对输入视频词表的预测，使视觉证据重建与文本生成统一在同一 token 预测框架内，并扩展至强化学习，将采样视觉 token 与文本 token 一并作为动作优化。