REVISOR: Beyond Textual Reflection, Towards Multimodal Introspective Reasoning in Long-Form Video Understanding

Idea

REVISOR 把长视频 reflection 改成可重新获取视觉证据的两阶段推理。模型先看稀疏帧并提出需要复查的时间区间，再由 Visual Toolbox 密集抽取该区间，结合初始 reasoning 修正答案。Dual Attribution Decoupled Reward（DADR）同时训练最终回答与所选片段的证据充分性。

Research Problem

文本 reflection 只能重写已有解释，无法补回稀疏视频采样遗漏的动作或细节。作者发现 VL-Rethinker 式反思在长视频上可能退化，而提供 ground-truth key segments 能提升回答。只用 final-answer reward 又无法区分错误来自初始推理、时间定位还是反思阶段，因此可能奖励不相关的回看区间。

Insight

有效反思需要允许模型改变它看到的证据，而不只改变文字。把片段单独交给同一模型重新回答，可提供区别于完整轨迹答案的 sufficiency signal，从而直接激励选择含关键信息的区间。这个信号检验片段是否足以答题，不等价于严格证明完整推理对该片段的因果依赖。

Method

1. 对原视频做 sparse uniform frame sampling。MLLM 读取 question 和初始帧，生成初始 reasoning trace，并输出待复查区间的 start/end timestamps。
2. Visual Toolbox 只在该时间区间做更高密度抽帧，避免对整部长视频都使用高时间分辨率。reflection 阶段输入问题、初始 reasoning 和新帧，输出修正 reasoning 与最终答案。
3. 训练时对完整两阶段 trajectory 做 final-answer verification，同时另开 sufficiency prediction：同一 MLLM 只读取 question 和 reviewed frames，不读取初始 reasoning，判断能否独立生成正确答案。
4. 把两类 binary correctness rewards 加权组成 DADR，再用 GRPO 进行 end-to-end RL，不需要额外 SFT 或外部模型。借助文本反思、纯答案奖励和已标注关键片段等对照检查视觉回看的贡献。