**视觉语言模型作为教师通过自适应测试时优化提升视频推理能力**

_VLMs are Good Teachers for Video Reasoning via Adaptive Test-Time Optimization_

> 该研究提出了一种新范式，将视觉语言模型（VLM）的角色从传统的“问题解决者”转变为“教师”。在视频推理任务中，VGM（视频生成模型）常因逻辑理解不足而失败，而VLM虽然求解能力有限，却具备强大的感知能力。方法中，VLM教师提取任务规则以构建可微奖励，通过轻量级LoRA模块的测试时在线优化来指导VGM推理器。在VBVR-Bench和RULER-Bench基准测试中，该方法平均性能提升16.7分，显著优于传统VLM求解范式和Best-of-N扩展方法，展示了VLM作为测试时教师在通用视频推理中的潜力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.02564)