Video-HopChain：面向视频推理模型的多跳问题与置信度门控探索

该论文提出 Video-HopChain，一个包含 13,378 个视频、22,550 道多跳问题的数据集，并附 1,000 道题的留出基准。每道题串联三到六个关于同一视频片段的 yes/no 问题，答案对应两个整数之一，最终答案为整数之和，可作为 RLVR 的可验证奖励。作者先用 GRPO 在标准视频数据集训练 Qwen3-VL-8B，再用 Video-HopChain 做第二阶段训练，使八项视频理解与推理基准的平均分从 55.4 升至 57.9，并提升全部基准。

此前多跳数据合成对视觉语言推理的改进主要停留在静态图像，视频领域尚未系统探索；同时 RLVR 所用数据大多不要求链式视觉证据，模型跨步骤累积的错误不易暴露。该工作把多跳可验证奖励引入视频，并针对 GRPO 组内奖励方差为零的问题提出 CGE。

多跳问题把最终答案设计为若干 yes/no 对应整数之和，使奖励可精确匹配，从而满足 RLVR 的可验证性。GRPO 的学习信号来自组内奖励方差，若一组 rollout 全对或全错则无梯度。CGE 在每题 8 次 rollout 中先采样 4 次，若全对或全错再继续采样，以在同等算力下恢复这些无梯度组。

对做视频理解产品的团队，该数据集与基准可作为评估多跳视频推理能力的对照，CGE 则给出一种在固定算力下提升 RLVR 训练效率的采样策略。若采用类似训练流程，需准备可自动验证的多跳问答数据并改造 rollout 采样逻辑，训练成本结构可能随之变化。

• 基于 Video-HopChain 的构造思路，为自有视频场景生成多跳 yes/no 问答对，用作可验证奖励的 RLVR 训练数据。
• 在视频推理模型训练中试验 CGE 式采样：先小批量 rollout，检测组内奖励方差为零时追加采样。
• 针对长视频理解产品，构建多跳视频推理的内部评测集，衡量跨片段证据链的推理能力。

• CGE 的完整采样与计算预算细节在摘录中被截断，尚不清楚其具体实现和额外开销。
• 八项基准的具体名称与任务构成未被列出，提升幅度的可比性无法判断。
• 数据集与基准是否已公开、以何种许可发布，证据未说明。
• 该方法在更大规模模型或其他视频模型上的效果是否可复现，尚无证据。