上海AI實驗室聯合南京大學、香港中文大學、上海交通大學及北京大學的研究團隊，在長視頻理解領域取得重大突破。他們提出的frameThinker框架通過模擬人類偵探的推理方式，徹底改變了傳統AI處理長視頻的模式。這項研究成果已發表于arXiv預印本平臺，編號為2509.24304v2，為智能視頻分析開辟了全新路徑。

傳統AI系統處理長視頻時，普遍采用"撒網式采樣"策略，即均勻提取視頻幀進行逐幀分析。這種方法如同將整部電影的每一幀畫面打印出來檢查，不僅消耗大量計算資源，還容易在海量信息中遺漏關鍵細節。研究團隊發現，現有視覺語言模型存在兩大缺陷：一是無法區分信息價值，對所有畫面一視同仁；二是推理過程靜態化，一旦開始分析就無法根據新發現調整策略。

frameThinker的創新之處在于引入"多輪互動推理"機制。該系統首先快速瀏覽視頻形成整體認知，隨后像專業偵探般制定調查策略：通過時間定位技能精準鎖定可疑時段，運用區間探查技能深入分析特定片段，最終綜合所有發現得出結論。這種動態迭代過程使系統能夠根據中間結果調整調查方向，顯著提升分析效率。

在醫療領域，該技術可幫助醫生從數小時手術錄像中快速定位關鍵操作；安防監控中，能迅速從全天候錄像中發現異常事件；教育場景下，則可自動提取課程錄像中的重點知識。研究團隊通過具體案例展示，當被問及"視頻中小女孩使用何種工具尋找目標"時，系統先整體瀏覽發現關鍵角色，再聚焦特定幀區間觀察，最終確認面具為重要道具，整個過程展現類人推理能力。

訓練階段采用兩階段遞進式方法。首階段通過2392個精心設計的案例，教授系統基礎推理規范，包括直接回答、單次搜查、時間定位等五種模式。第二階段強化學習階段使用28000個復雜案例，引入"條件獎勵"機制：只有當系統最終答案正確且推理過程合理時，才會對有效搜查行為給予獎勵。這種設計避免了傳統訓練中AI為獲取獎勵而執行無意義操作的問題。

為確保推理邏輯嚴密性，研究團隊開發了認知一致性驗證模塊。該模塊通過三項檢查保障系統可靠性：冗余檢查防止重復無效操作，邏輯流程檢查確保推理連貫性，忠實度檢查核對思考與行動的一致性。實驗數據顯示，在Video-Holmes基準測試中，frameThinker準確率達56.1%，較之前最佳成績提升顯著，且僅需觀看10.2幀即可得出結論，效率提升超3倍。

技術實現層面，系統基于Qwen2.5-VL-7B模型構建，配備70億參數。訓練數據由Gemini-2.5-Pro模型生成，每個示例均經過嚴格質量把控。針對不同長度視頻，系統自適應調整搜查策略：300秒以內視頻每次獲取8幀，更長視頻則獲取12幀。強化學習階段采用的"組相對策略優化"算法，通過比較多個推理路徑學習最優策略。

在LongVideo-Reason測試中，frameThinker準確率達76.1%，超越需觀看512幀的競爭對手，而自身僅需20.6幀。其他基準測試同樣表現優異：LongVideoBench準確率52.9%（21.1幀），MLVU準確率59.1%（23.2幀），VideoMME-Long準確率47.6%（24.1幀），LVBench準確率36.6%（23.9幀）。所有測試中，系統計算資源消耗減少25%-36%，準確率平均提升10.4%。

獎勵機制設計是技術突破的關鍵。研究團隊經過多輪試驗發現，單純格式獎勵會導致AI敷衍了事，無條件行動獎勵則引發重復無效操作，多輪獎勵又造成推理質量下降。最終確定的"條件行動獎勵"方案，對時間定位技能給予更高權重，因其提供的信息更精確可靠。這種設計哲學強調：AI學習的核心應是高效解決問題，而非執行更多動作。

該技術對日常生活的影響正在顯現。智能視頻搜索引擎可快速定位海量視頻中的關鍵片段，在線教育系統能自動提取課程精華，醫療診斷工具可精準定位醫學影像中的病灶。frameThinker展現的主動探索能力，標志著AI從信息處理器向智能推理者的轉變，為人機協作模式帶來新的思考維度。