CADER: Confidence-Aware Dynamic Evidence Reasoning for Long-Video Understanding

📄 arXiv: 2607.24582v1 📥 PDF

作者: Jinlong Yang, Wenhao Zhang, Kuanwei Lin, Sijie Cheng

分类: cs.CV, cs.AI

发布日期: 2026-07-27

💡 一句话要点

提出CADER以解决长视频理解中的动态证据推理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长视频理解 动态证据推理 置信度评估 工具增强推理 视频问答 多模态交互 智能监控

📋 核心要点

  1. 现有长视频理解方法对所有示例采用统一推理策略，导致简单问题处理不当和复杂问题缺乏细致证据支持。
  2. CADER通过全局推理和置信度评估，动态决定是否使用工具增强推理，优化了长视频理解的效率和准确性。
  3. 在多个VideoQA基准上，CADER在高置信度样本上跳过复杂推理，显著提升了性能，表现出与专门工具增强框架的竞争力。

📝 摘要（中文）

长视频理解越来越依赖大型视觉-语言模型和工具增强推理，但现有系统对每个示例采用相同的推理过程，忽视了问题的难度。CADER（Confidence-Aware Dynamic Evidence Reasoning）是一个无训练框架，旨在实现自适应和可靠的长视频推理。CADER首先对均匀采样的帧进行全局推理，并通过logit-margin信号估计答案置信度，使高置信度示例能够提前退出。对于不确定的示例，CADER激活第二阶段的工具增强循环，结合时间裁剪、轻量级语义验证和相关性引导重采样，逐步定位与问题相关的证据。实验表明，CADER在多个VideoQA基准上提高了长视频推理的性能，同时对高置信度样本跳过第二阶段，展示了其在推理时的实用性。

🔬 方法详解

问题定义：本论文旨在解决长视频理解中推理过程的非适应性问题。现有方法对所有示例采用相同的推理策略，导致简单问题处理不当和复杂问题缺乏细致证据支持。

核心思路：CADER的核心思路是通过置信度评估动态调整推理过程。高置信度示例可以提前退出，而不确定的示例则进入第二阶段进行更深入的证据推理。

技术框架：CADER的整体架构分为两个阶段：第一阶段进行全局推理，评估答案置信度；第二阶段针对不确定示例进行工具增强推理，结合时间裁剪和语义验证。

关键创新：CADER的主要创新在于将工具使用视为样本级决策，允许简单案例通过单次全局推理处理，而复杂案例则进行额外推理。这种动态调整显著提高了推理效率。

关键设计：CADER使用logit-margin信号来评估置信度，并设计了轻量级的语义验证模块和相关性引导重采样策略，以确保在第二阶段的推理中能够有效定位问题相关证据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个VideoQA基准测试中，CADER在高置信度样本上成功跳过复杂推理阶段，显著提升了推理效率和准确性。与专门的工具增强框架相比，CADER在性能上表现出竞争力，展示了其在实际应用中的有效性。

🎯 应用场景

CADER的研究成果在视频问答、视频内容分析和智能监控等领域具有广泛的应用潜力。通过提高长视频理解的效率和准确性，CADER能够为多模态交互系统提供更强的支持，推动智能视频分析技术的发展。

📄 摘要（原文）

Long-video understanding increasingly relies on large vision-language models and tool-augmented reasoning, but most systems apply the same inference procedure to every example regardless of difficulty. This uniform strategy invokes unnecessary tool-assisted processing for easy questions and provides limited control when difficult questions require fine-grained temporal evidence. We propose CADER (Confidence-Aware Dynamic Evidence Reasoning), a training-free framework for adaptive and reliable long-video reasoning. CADER first performs global reasoning over uniformly sampled frames and estimates answer confidence with a logit-margin signal, allowing high-confidence examples to exit early. For uncertain examples, CADER activates a second-stage tool-augmented loop that combines temporal cropping, lightweight semantic verification, and Relevance-Guided Resampling to progressively localize question-relevant evidence. This design treats tool use as a sample-level decision: a single global pass handles easy cases, while additional reasoning is reserved for examples where uncertainty suggests that more evidence is needed. Experiments on multiple VideoQA benchmarks show that CADER improves long-video reasoning while bypassing Stage~2 for high-confidence samples. Moreover, when applied to a backbone trained only with tool-free chain-of-thought supervision, CADER achieves competitive performance against specialized tool-augmented frameworks, suggesting a practical inference-time route for adaptive long-video reasoning.