**Reviso：视频描述中并非所有视觉证据都同等重要，提出分层主动感知框架**

_Reviso: Not All Visual Evidence Deserves Equal Attention in Video Captioning_

> 针对多模态大语言模型（MLLMs）在视频描述中过度关注次要细节而忽略关键事件的问题，研究提出了 Reviso 框架。该框架通过低帧率全局预览构建“上下文 - 焦点 - 点”（CFP）的分层观察计划，利用目标导向的主动感知策略选择性重访时间片段并调用工具进行细粒度检查。Reviso 采用基于事实验证的训练管道和包含关键事实奖励、计划对齐奖励及非生产性工具调用惩罚的强化学习策略进行训练。实验表明，Reviso 在多个基准测试中优于开源基线，且生成的描述更能支持下游视频问答任务。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.03602)