Video-R1是什么？

Video-R1是由香港中文大学和清华大学联合推出的全球首个视频版R1模型，它可以通过强化学习提升多模态大语言模型（MLLMs）的视频推理能力。

Video-R1功能

时间感知推理：Video-R1引入了T-GRPO算法，通过对比乱序输入和顺序输入的视频帧，鼓励模型利用时间信息进行推理，从而更好地理解视频中的时序关系。

混合数据训练：为解决高质量视频推理数据稀缺的问题，Video-R1采用图像和视频混合数据集进行训练，包括Video-R1-COT-165k（用于SFT冷启动）和Video-R1-260k（用于RL训练），使模型能够从静态图像推理能力迁移到动态视频推理。

多种输出类型：Video-R1支持多种答案输出类型，包括多项选择、数值、OCR、自由形式和回归等。

自我反思推理行为：模型在推理过程中会进行自我反思，调整推理方向以得出更准确的结论，这种“啊哈时刻”表明模型在积极进行内部反馈循环。

Video-R1技术

时间感知算法T-GRPO：该算法增强了模型对时间序列的理解能力，使模型能够深度思考事件之间的因果关系。与传统GRPO算法相比，T-GRPO通过奖励机制绑定时间理解，让模型在顺序输入上答对题的比例更高时才会获得奖励。

混合图像视频数据集：研究人员创建了两个高质量数据集：Video-R1-COT-165k（以图像为主）和Video-R1-260k（以高质量视频为核心），解决了视频推理数据稀缺的问题。这种混合训练方式让模型从“看图说话”进化到“视频深思”，真正实现了多模态理解。

强化学习训练策略：Video-R1通过强化学习训练，模型在训练过程中逐渐抛弃次优推理模式，形成更高效、更具逻辑的表达路径。

Video-R1应用

视频内容分析：Video-R1能够对视频中的动态内容进行高效解析和理解，可用于自动生成关键视频片段、行为识别、智能标签生成等功能。

视频搜索与推荐：通过深度推理，Video-R1可以更精准地理解用户需求，提供更符合用户兴趣的视频内容推荐。

自动驾驶视觉理解：模型能够理解视频中的时序关系和因果逻辑，有助于自动驾驶系统更好地感知和预测道路环境。

视频监控与安全：Video-R1可以用于监控视频的实时分析，快速识别异常行为或事件，提升公共安全。

教育与培训：在教育领域，Video-R1可以用于智能辅导系统，通过分析教学视频内容，为学生提供个性化的学习建议。

智能家居：模型可以集成到智能家居系统中，通过视频分析实现更智能的环境感知和自动化控制。

GitHub 地址：https://github.com/tulerfeng/Video-R1

论文：https://arxiv.org/abs/2503.21776