用合成CoT与难度感知微调蒸馏2B视频语言模型
原文标题：Efficient Reasoning Distillation: Small Video-Language Models via Synthetic CoT and Difficulty-Aware Fine-Tuning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出一种将推理能力蒸馏进紧凑视频语言模型（VLM）的高效方法，仅用约 900 个不确定性筛选样本、由 4B 教师模型生成合成思维链，在单张 A100 上不到两小时即可微调 2B 模型。该模型在 CinePile、ActivityNet-QA、MLVU 上超越最多 4 倍大的 VLM，接近其 4B 教师。关键发现是将思维链放在答案之后反而显著提升小模型推理能力，挑战了常规 CoT 范式。
深读 · 结论先行AI 生成展开看要点与影响 ↓
仅约900样本、单张A100不到两小时，2B视频模型超越最多4倍大的VLM。
- •用4B教师生成合成CoT，样本经不确定性筛选，仅约900条
- •微调2B模型在单张A100上耗时不到两小时
- •在CinePile、ActivityNet-QA、MLVU上超越最多4倍大的VLM，接近4B教师
- •关键发现：把CoT放在答案之后反而显著提升小模型推理，与常规提示范式相反
为什么重要：为移动与边缘端部署推理型VLM给出低成本蓝图，也提示小模型容量有限时CoT放置顺序需重新设计。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。