视频面试AI评分91.5%？8B小模型超GPT-5.4还带证据链

想象一下这样的场景：你精心准备了半个月的面试，对面坐着三位表情严肃的考官。他们一边听你自我介绍，一边在打分表上勾勾画画——逻辑思维、表达能力、应变能力、专业素养……十八个维度，每个都得给出0到2分的评价。

龙哥读论文发布于 2026-09-12 16:54:33 阅读 1 查看原文

#Agent #多模态 #大视觉语言模型 #强化学习

原论文信息如下：

论文标题:
PhoenixNest-Video: Evidence-Grounded Multimodal Agent Framework for Automated Video Interview Assessment 发表日期:
2026年09月发表单位:
香港科技大学（广州）原文链接:
https://arxiv.org/pdf/2609.02231v1.pdf

paperdaily_reaction_gif

想象一下这样的场景：你精心准备了半个月的面试，对面坐着三位表情严肃的考官。他们一边听你自我介绍，一边在打分表上勾勾画画——逻辑思维、表达能力、应变能力、专业素养……十八个维度，每个都得给出0到2分的评价。更关键的是，每个分数背后还得写清楚依据：你在哪一分钟、说了什么话、做了什么动作，让考官觉得你值得这个分数。

这事儿听着就累，对吧？

实际上，这已经不只是累了——是根本忙不过来。数据显示，2021年到2025年，仅美国高校通用申请系统（Common Application）的申请量就暴涨了37%，超过760万份。如果每份申请都要走“三位专家逐条打分+写证据”的流程，把全世界的教授都拉来也不够用。可如果单纯让AI来打分，又快是快了，但那个黑箱里到底发生了什么，谁也不知道——凭什么给我这个分？依据是什么？出了问题找谁复核？

面试评估的三大范式：从人工到AI的演进之路

面试评估大致经历过三个阶段。第一个阶段是纯人工评估，优点是精细、有经验判断，缺点是贵、慢、不可扩展；更麻烦的是，一旦评审规模变大，疲劳效应、锚定偏差、标准不一致这些问题都会冒出来，高利害决策所依赖的一致性会被慢慢侵蚀。

第二个阶段是传统机器学习评估。研究者设计声学特征、面部表情特征、文本特征，训练监督模型输出分数。这类方法确实可扩展了，但输出的是不透明的数值——它为什么给这个分？依据是什么？完全无从追溯。

第三个阶段就是当下火热的多模态大语言模型（Multimodal Large Language Models，简称MLLMs）。这类模型能同时处理视频画面、语音和文本，理论上是一个更强大的底座。然而，直接把MLLM用在面试评估上，会遇到三个绕不开的麻烦：一，模型把视频当成一个无差别的数据流，无法按维度去组织和检索跨模态、跨时间的证据；二，通用MLLM存在系统性评分偏差（后面细说）；三，输出的评估意见缺乏依据锚定，无法审计。

图1：面试评估的三种范式。(a)基于人工的评估精确但不可扩展；(b)基于机器学习的评估可扩展但不透明；(c)PhoenixNest-Video逐维度输出可验证证据的评分，实现可扩展且证据可追溯的评估

图2：通用MLLM与人类专家在VInterview-2025上的分数分布对比。GPT-5.4系统性低估分数且分布窄带，VideoLLaMA2则高估分数且呈双峰形态，二者从不同方向偏离人类专家分布，暴露了校准与判别能力上的互补性缺陷

看图2就特别直观：GPT-5.4打分的分布极其集中，全挤在一个很窄的低分区间里；而VideoLLaMA2恰恰相反，高分给得十分慷慨，还呈现双峰形态。这两种偏差方向相反、问题互补，恰好说明了一个核心矛盾——既要让AI的分数跟专家校准（不乱给分），又要让AI能区分不同水平的候选人（该拉开的差距要拉开），通用做法根本搞不定。

PhoenixNest-Video：让AI评分有据可查的智能体框架

香港科技大学（广州）的研究团队提出的PhoenixNest-Video，就是想同时解决“可扩展性”和“证据可追溯”这两个问题。它的目标很明确：不仅给出评分，还要给你一条可以回放、可复核的证据链。直接把面试视频输入模型，靠传统end-to-end的MLLM推理是不够的，因为一个15分钟的面试视频信息量太大，模型不可能在有限上下文中理解每一个细节并做出准确定位。

PhoenixNest-Video把整个评估过程做了流水线分解，推理阶段包含四个核心组件：语义图构建器（Grapher）、检索器（Retriever）、验证器（Verifier）和评分器（Scorer）。评估流程可以用一个公式来表达：

公式1：评分器策略，从视频、维度、评分标准、行为指标和已验证证据链中预测分数与理由

其中,ŝ是模型预测的分数，r是理由文本，V是输入的面试视频，c是待评估的维度（如批判性思维、沟通表达），R(c,·)是该维度的评分标准（rubric descriptors），B(c,·)是评分标准细化后的具体行为指标，A是经过检索和验证后形成的证据链。整个流程本质上是：基于维度描述去寻找和验证候选证据，再基于证据去给分并撰写理由。

图3：PhoenixNest-Video框架总览。多模态预处理将面试视频转化为对齐的视觉、音频/转录和幻灯片轨迹，评分标准分解把每个分数描述扩展为具体行为指标。语义图构建器构建片段级语义索引；检索器选取与评分维度相关的候选片段；验证器跨模态验证候选片段；经过训练的评分器生成维度级评分、证据引用和评语反馈

先用通俗的方式拆解一下流水线中每个模块在做什么。

多模态预处理是第一步。系统从原始视频中并行提取三路信息：视觉流每段视频均匀采样32帧（这个数字是实验调出来的最优值），捕捉候选人的表情、肢体语言和整体演示状态；如果面试者放了PPT，也会提取幻灯片画面内容。音频流则先通过ZipEnhancer降噪，再用Whisper-Large-v3转写为带时间戳的文本。这三路信息会被对齐，构成后续检索的基础。

这里有一个容易被忽略的设计——评分标准分解（Rubric Decomposition）。招生面试的评分标准通常写得很概括，比如“批判性思维”这个维度，0分是什么表现、1分是什么表现、2分是什么表现，每个级别只有一句话描述。计算机很难直接拿这种话去检索视频证据。研究团队用MLLM把每一条评分标准展开为三到六条细粒度的行为指标，然后为每一条行为指标构造检索查询。

举个例子，在“批判性思维”维度下，s=2分的标准可能被分解为“能从多个互补角度分析问题”“用具体证据支持观点”等具体行为指标；而s=0分则对应“循环论证或无依据推理”“未能切中问题实质”等。这样细化后，模型才知道该在视频里找什么。书中对应的公式如下：

公式2中,R(c,s)表示维度c在分数级别s上的评分标准文本,B(c,s)为分解后得到的具体行为指标集合,m是行为指标数量。这些行为指标在强化学习阶段充当奖励信号的基础,在推理阶段则指导检索器构造查询,是整个框架承上启下的关键一环。

进入智能体框架后，语义图构建器（Grapher）先把长视频切块——按1.0 FPS切分，每64帧为一块，然后让MLLM从每个片段和对应的转写文本中抽取开放词汇的语义提及（semantic mentions）。这些提及可以是实体（某个人、某个物体、某页PPT，以“短名称+描述”的形式存储）、动作或场景标签。接下来用嵌入模型计算两两提及的余弦相似度，超过阈值就合并为一个原型实体。就这样，系统构建出一个以视频片段为节点的语义图，如果两个片段共同提到了某个原型实体，就在它们之间连一条边。这条边能够跨越时间界限——候选人在自我介绍时讲过某个项目，在问答环节又深入讨论了同一个项目，即使这两个时刻隔了十分钟，语义图中的边也能将它们串起来。对评估来说这是关键能力，因为一个出色的表现往往不是只出现在某一个片段里的。

公式3中，eₐ与e_b分别表示提及a与提及b的L2归一化嵌入向量，其点积即为两者的余弦相似度，值域为[-1, 1]，越大表示语义越相近。

接下来轮到检索器（Retriever）上场。针对每个评分维度，它利用行为指标生成具体查询问题Q(b_j)，然后进入语义图进行匹配。检索器的精巧之处在于“边走边搜”——一个查询词一旦匹配到某条合并后的原型实体边，就能把与该实体相关的所有视频片段全部召回。这种基于已合并实体边的检索方式相当于一个高效的倒排索引，能够捕捉到片段级局部匹配无法发现的跨时间线索，这是面试评估中最常出现的形态。检索结果再经过平均语义相似度排序，保留下Top-N个候选片段。

但检索结果可能包含误报。于是验证器（Verifier）登场——它对每个行为指标、每个候选片段提出一个二值问题：“这段视频是否展示了指标b_j？”并分别从视觉、音频、文本三个模态独立回答。只要有一个模态以超过置信度δ给出肯定回答，该片段就能保留下来。最终保留下来的片段构成了带时间戳的推理证据链。这条链上的每条记录都标明：片段编号、在面试中的时间段、命中的行为指标、以及是哪个模态提供了支持。审查者拿到这条链，可以随时回到原视频逐段核对。这套“检索+验证”双保险机制是本方法的关键优势，它避免了大模型单次评分的两个致命问题：一是视频整体输给模型造成的细节遗漏；二是检索相关的片段可能只是在话题上相关，并不真正支撑结论的问题。

最后出场的是评分器（Scorer）——即公式1中的π_θ*。它接收证据链A、评分标准R(c,·)、所有分数级别的行为指标B(c,·)，输出预测分数ŝ、理由r、文本评语F以及材料引用。Scorer的角色并不只是结束流程，它的价值核心在训练策略上。接下来，我们就聊聊这里面的核心。

双重奖励强化学习：破解MLLM评分偏差的密钥

如果说上面的流水线解决的是“去哪里找证据”的问题，那Scorer的训练要解决的就是“如何像专家一样给分”的问题。研究团队设计了一套两阶段的训练流程。

第一阶段是监督微调（Supervised Fine-Tuning，简称SFT）。用专家标注好的（视频、维度、真实分数、真实理由）四元组数据对模型进行微调，让模型初步学会输出格式和基本的评分分布。

第二阶段才是重头戏——基于评分标准的强化学习（Rubrics-based Reinforcement Learning）。研究团队敏锐地觉察到，直接用二进制精确匹配做奖励信号在面试评估中行不通：共有18个评分维度，每个维度分为0到2三级，总分范围在0到36之间，早期训练中精确匹配的概率极低，绝大部分rollout样本的奖励梯度都为零。于是，他们把评分质量这个抽象概念分解成两个正交的奖励信号。

第一个是对齐奖励（Alignment Reward）R_align。它关注的是模型的理由是否忠实反映了评分标准。具体做法是使用一个独立的LLM裁判（论文中使用GPT-5.4）接收评分标准R(c,s)、行为指标B(c,s)、模型预测分数ŝ和生成理由r，然后判断：理由是否把论证锚定在了评分标准描述上？引用的行为证据是否支撑所分配的分数级别？

公式4：对齐奖励，由独立LLM裁判根据评分标准、行为指标、预测分数和理由进行评测

公式4中，LLM_judge表示独立裁判模型，R(c,s)为评分标准描述，B(c,s)为行为指标集合，ŝ为模型预测分数，r为模型生成的评定理由。

第二个是区分度奖励（Differentiation Reward）R_diff。它关注的是模型是否能在总分级别上拉开差距。论文先把总分的四个级别映射出来：[0,18)为一级，[18,24)为二级，[24,30)为三级，[30,36]为四级。模型预测总分所在级别与专家标注级别完全一致时奖励为1.0，相差一级为0.5，相差两级及以上为0。这个梯度松散的奖励设计极大地提高了训练初期rollout的有效利用效率。

公式5：区分度奖励，根据模型预测总分级别与专家总分级别的一致程度按级差给出0.5或1等奖励

公式5中，L(·)为级别映射函数；S_total̂ = Σŝᵢ 即模型在N个维度上的预测分数之和，S_total*是专家给出的总分。最终总奖励为R = λ₁R_align + λ₂R_diff，论文取λ₁=λ₂=0.5，并用GRPO算法进行优化。别被GRPO这个缩写吓到，它是组相对策略优化（Group Relative Policy Optimization）的简称，核心思想是对一组采样结果做组内归一化，用相对优劣来指导模型参数更新，是当前大模型后训练常用的强化学习算法。

这套双重奖励设计的巧妙之处在于：对齐奖励管“答得有理”，区分度奖励管“排得准序”，两者配合下来，既解决了GPT-5.4那种窄带低分的过度保守问题，也解决了VideoLLaMA2那种双峰高分的过度激进问题。跟直接用排名式奖励强化评分相比，它兼顾了评估的可解释性（理由要跟评分标准对齐）和判别性（总分要落在正确的档位）。

91.5%准确率：8B小模型如何超越千亿大模型

论文在VInterview-2025数据集上做了全面的对比实验。这个数据集是研究团队自建的，包含491场真实的研究生招生面试——注意，这些录像是从真实招生流程里被动获取的，没有反馈到实际录取决策中，因此考官打分反映的是真实的高利害评估。每场面试约15分钟，由三位教师组成评审团、在18个维度上按0-2分独立评分。测试集200场面试来自与训练数据不同的招生轮次，是跨轮验证而不是简单的随机切分。这个数据设计相当严谨，有效避免了同批次数据的偶然相关。

看看表1的结果，PhoenixNest-Video在总分级别准确率上拿到了91.5%，把一堆参数大得多的专有模型和开源模型都比下去了。GPT-5.4只有43.0%的准确率，Claude-opus-4-6是44.5%，Gemini-3.1-pro-preview达到85.0%，Grok-4.1是90.0%——这些可都是千亿甚至万亿参数级别的模型。PhoenixNest-Video只用了8B参数的Qwen3-VL-8B底座，居然比Grok-4.1还高了1.5个百分点。

表1：VInterview-2025测试集上的主要结果，粗体为每列最优，下划线为每列次优。PhoenixNest-Video在总分准确率(ACC)、平均绝对误差(MAE)和Wasserstein距离上均为最佳，超越参数量远大于自己的专有模型和开源模型。

表1：VInterview-2025测试集上的主要结果。粗体为每列最优，下划线为每列次优。“专有模型”指通过商业API访问的闭源通用模型；“开源模型”指公开可用的通用开放模型；“视频专用模型”指专门为视频理解与推理设计或优化的模型。PhoenixNest-Video在总分准确率(ACC)、平均绝对误差(MAE)和Wasserstein距离上均为最佳，超越参数量远大于自己的专有模型和开源模型

还要夸一下总分指标里另外两个数值：MAE为4.13，Wasserstein距离为2.03，两个都是全场最低。MAE是平均绝对误差，它衡量的是预测总分和专家总分的平均差距；Wasserstein距离则衡量两个分数分布之间的差异。现在能明白为什么前面强调“校准+区分”双修了吧？光靠SFT只能让模型学会格式；加入了双重奖励RL之后，分布才真的跟人类专家收敛到一致。

更值得注意的是表1下方的三行——把PhoenixNest-Video的框架当作放大器，分别包装Qwen3.5-397B-A17B、Kimi-K2.5和GLM-4.5v这三个更大参数的模型。可以看到，每个配置都比同骨干模型的直接提示词方式有提升。比如GLM-4.5v直接打分的ACC是76.88%，包进PhoenixNest-Video框架后跳到89.5%——提升了约13个百分点。这说明什么？说明PhoenixNest-Video的价值不绑定在特定骨架上，它是一套“即插即用”的评估增强方案。

这里需要展开解释一下Wasserstein距离这个指标。简单理解的话，它就是“把一种分布变成另一种分布最少需要搬多少土”。当我们要比较AI打分分布和专家打分分布之间的差异时，Wasserstein距离比KL散度之类的指标更稳定，尤其当两个分布的重叠区域很少时。这里PhoenixNest-Video的W Dist只有2.03，说明AI给出的分数分布已经和专家的分数分布非常接近了——这对“AI评分要被专家接受”这件事是最有力的数据支撑。

为了验证框架在不同评估体系下的泛化能力，论文还在RecruitView公共数据集上做了迁移测试。这个数据集包含2011段真实面试视频和12个连续回归目标——包括总体个性、口语技能、自信心、大五人格特质等。如表2所示，PhoenixNest-Video在Spearman ρ、Kendall τ-b、C-index和Pearson r四个指标上全面领先所有基线。需要向读者说明的是，结合PaperDaily已收录论文范围内同基准的同指标对比来看，RecruitView上当前论文的Kendall τ-b为0.3159、C-index为0.6579，存量库中还缺少足够的同基准可比数值来判定排序位置，因此这里只作为辅助参考，提醒读者不同评测协议下结论可能存在差异。

表2：RecruitView数据集上12个目标宏平均结果。PhoenixNest-Video在Spearman相关系数、Kendall τ-b、C-index和Pearson相关系数四个指标上均全面领先各基线模型。

表2：RecruitView数据集上12个目标宏平均后的表现。粗体为每列最优，下划线为次优。PhoenixNest-Video在Spearman ρ、Kendall τ-b、C-index和Pearson r四个指标上均领先所有基线。结合PaperDaily已收录论文范围的同基准辅助判断，当前论文的Kendall τ-b=0.3159、C-index=0.6579，暂缺乏足够可比的同基准数值来确认排名，阅读时应留意不同评测协议可能带来的差异

在VInterview-2025这个“总分对档”的情景下，PhoenixNest-Video能在不做任何微调的情况下，仅通过证据链和规则化推理就获得如此高的准确率，这恰恰说明这个方法抓住了面试评估的要害——对维度目标进行稳健的证据匹配，远比单纯堆模型参数量更有效。

证据链可视化：每个分数都能被追溯和复核

系统给每个评分维度输出的不只是分数，还附带一段证据链：在哪个时间点、候选人的什么行为、哪个模态（画面/语音/文字）支持了这条评分理由。这样，招生官拿到AI辅助评估报告后，可以逐条查看每个维度的证据片段，回放对应的视频段落。这就是论文反复强调的“可审计的AI评估”，也是它跟传统ML黑箱方法最本质的区别。

当然，任何方法都必须回答一个问题：“去掉某一个组件，系统还成立吗？”论文的消融实验给出了明确回答。图4展示了去掉单一组件或跳过强化学习后的效果，可以看到每去掉一个组件，ACC下降、MAE上升，系统的性能出现全面衰减。这说明语义图构建器、检索器、验证器、双重奖励RL这四者不是可有可无的附属品，而是互相咬合、缺一不可的整体。

图4：PhoenixNest-Video在VInterview-2025上的消融实验。去掉任何一个单一组件或跳过强化学习，都会导致等级准确率下降和MAE升高，说明基于评分标准的奖励与检索-验证流水线是互补的。

图4：PhoenixNest-Video在VInterview-2025上的消融实验。去掉任何一个单一组件（仅用SFT不进行RL）或跳过强化学习，都会导致等级准确率下降和MAE升高，说明基于评分标准的双重奖励与检索-验证流水线是互补的

在高利害决策场景中，公平性是一票否决项。研究者做了两方面的公平性分析：图5展示不同学科候选人平均预测总分的差异（误差线为95%自助置信区间），表3展示不同性别候选人平均预测总分的差异。论文看板上的结论是：群体间的平均分差异在总分范围（0-36分）内相对较小，且远小于群体内的方差。这说明模型没有出现严重的系统性偏差，但研究者也坦诚指出，这只是一个初步的公平性分析——真实世界中的偏见往往是隐性的，需要更多维度和更大样本的检验。

*表格超出部分左右可以滑动

Table 1: Main results on the VInterview-2025 test set. Bold indicates the best result per column; underline indicates the second best. “Proprietary” refers to closed-source general-purpose models accessed via commercial APIs; “Open-Source” refers to publicly available general-purpose open models; “Video-Specific” refers to models specifically designed or optimized for video understanding and reasoning. Total score metrics measure alignment at the institutional grading level; per-criterion metrics measure agreement on individual 0–2 rubric scores. Missing or non-parseable model outputs are excluded from scoring, so the number of scored interviews is at most 200 and varies across models. For the three backbone-amplifier rows in the Ours block, the small green value in parentheses, e.g. (∆+0.09), denotes the absolute change of the wrapped configuration relative to the same backbone’s direct-prompt counterpart in the Open-Source block; the sign already encodes the direction of improvement with respect to the metric.

表3：VInterview-2025上按候选人性别统计的平均预测总分（满分为36分）。群体间的总体差距相对于分数幅度和组内方差较小

图5：VInterview-2025上按候选人学科统计的平均预测总分（满分36），每位候选人直接归属其报告的学科，误差线为95%自助置信区间。

图5：VInterview-2025上按候选人学科统计的平均预测总分（满分36分）。误差线为95%自助置信区间

另一个值得注意的实验结果是帧数敏感性分析。表4显示，均匀采样帧数并非越多越好：32帧时ACC达到峰值，之后反而下降。这是因为：采样帧数过多时，MLLM的注意力被过度稀释，反而抓不住关键帧；采样帧数过少又会漏掉重要信息。32帧是计算效率和评估准确率的最佳平衡点。这个发现也提示了论文方法的一个重要特性：它的好效果依赖于细致调参，而非天生神力。

表4：每段视频均匀采样帧数对VInterview-2025等级准确率的影响。ACC在32帧处达到峰值后下降，说明更密集的采样并不总是有利的

结合实验来分析为何PhoenixNest-Video能work。最重要的原因是它把“评估”从一次性的生成任务变成了“检索-验证-推理”的复合任务。直接叫大模型看完整视频打分，本质上是让模型在超长上下文中做精细判断——但这恰恰是大模型最不擅长的。而PhoenixNest-Video通过语义图把长视频变成结构化的可检索记忆，先圈定若干“嫌疑片段”，再用多模态交叉验证去伪存真，最后让评分器只看精选证据链做判断，每一步都在降低任务的认知负担。实验效果之所以显著,不是因为某一个模块特别强大,而是因为整套流程把“高分高理由”这件事变成了可分解、可验证、可学习的对象。

证据链可视化示例：系统定位到候选人在具体时间段的具体表现（画面+音频+文本三模态对应证据），评审者可对照原始视频逐条复核每个维度的评分依据

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？香港科技大学（广州）提出PhoenixNest-Video，通过语义视频图、跨模态检索验证与双奖励强化学习训练8B Qwen3-VL评分器，在VInterview-2025真实招生面试集上取得91.50%等级准确率，超过GPT-5

这篇工作最值得看的点是什么？在VInterview-2025上达到91.50%的等级准确率，为所有基线中最高；总分数MAE为4.1316，Wasserstein距离为2.0328，均为最优；在RecruitView上所有四个指标（Spearman ρ=0.4437, Kendall τ-b=0.3159, C-index=0.6579, Pearson r=0.4234）均取得最佳结果。框架作为backbone放大器，将Qwen3.5-397B、Kimi-K2.

这篇工作的边界或风险在哪里？优点：(1) 提出证据锚定的多模态智能体框架，每个分数都可追溯到具体的视频证据，解决了AI评估的透明性和可审计性问题；(2) 设计基于规则的双重奖励强化学习，有效克服了通用MLLM的评分偏差；(3) 语义视频图作为结构化工作记忆，能够跨时间关联语义等价的内容；(4) 框架作为backbone放大器，对多种大模型均有显著提升。缺点：(1) 依赖LLM judge（GPT-5.4）评估对齐奖励，引入额外计算成本和潜在偏差；(2) 公平性审计范围有限，仅覆盖性别和学科维度；(3) 对非母语英语候选人的ASR错误可能传播到下游评估；(4) 推理链按时间顺序排列，未探索其他排序方式对结果的影响。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

提出PhoenixNest-Video框架，通过构建语义视频图作为结构化工作记忆，执行基于规则条件的跨模态检索与验证，并采用基于规则的双重奖励强化学习训练评分器，实现证据可追溯的自动化视频面试评估。

实验合理度：★★★★☆

VInterview-2025：等级准确率（ACC）、平均绝对误差（MAE）、Wasserstein距离（W Dist）、二次加权Kappa（QWK）；

学术研究价值：★★★★☆

提出PhoenixNest-Video框架，通过构建语义视频图作为结构化工作记忆，执行基于规则条件的跨模态检索与验证，并采用基于规则的双重奖励强化学习训练评分器，实现证据可追溯的自动化视频面试评估；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

模型使用8B参数backbone，在4×A800 GPU（80GB）上训练和推理。视频处理采用32帧均匀采样，Grapher以1.0 FPS分割视频为64帧片段。

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：；(2) 设计基于规则的双重奖励强化学习，有效克服了通用MLLM的评分偏差；(3) 语义视频图作为结构化工作记忆，能够跨时间关联语义等价的内容；(4) 框架作为backbone放大器，对多种大模型均有显著提升。

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！