Reflect-R1: Evidence-Driven Reflection for Self-Correction in Long Video Understanding

📄 arXiv: 2606.27922v1 📥 PDF

作者: Shuimu Chen, Yuteng Chen, Yuanshen Guan, Zebang Cheng, Zeyu Zhang, Shengqian Qin, Bin Xia, Jiaran Li, Wenming Yang, Fei Ma

分类: cs.CV, cs.AI

发布日期: 2026-06-26

备注: 18 pages, 6 figures, ECCV

💡 一句话要点

提出Reflect-R1以解决长视频理解中的自我修正问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长视频理解 自我修正 多模态反思 证据驱动 强化学习 数据集构建 视频分析

📋 核心要点

  1. 现有长视频理解方法在自我反思中缺乏客观证据，导致错误难以纠正。
  2. Reflect-R1通过构建直觉、验证和仲裁的三阶段管道，动态检索视觉证据进行自我修正。
  3. 在多个基准测试上，Reflect-R1显著提高了修正率，达到了最先进的性能水平。

📝 摘要（中文）

当前长视频理解中的多模态反思机制主要依赖于内部参数的闭环自我反思，缺乏客观的外部证据，导致模型常常陷入盲目自信，难以纠正错误。此外，将强化学习应用于多阶段反思管道会引入严重的策略耦合，且缺乏专门的训练数据。为了解决这些问题，本文提出了Reflect-R1，这是首个基于证据驱动的自我修正框架。该框架构建了一个由直觉、验证和仲裁组成的三阶段管道，通过动态检索客观视觉证据来验证初步直觉，并自主执行多次时间搜索以解决冲突，从而完全打破了幻觉循环。实验结果表明，Reflect-R1在VideoMME和LongVideoBench等基准测试上实现了最先进的性能，显著提高了真实修正率，确保了基于客观证据的真实自我修正。

🔬 方法详解

问题定义：本文旨在解决长视频理解中自我修正的不足，现有方法常常依赖内部参数的闭环反思，缺乏外部证据，导致错误难以纠正。

核心思路：Reflect-R1的核心思路是构建一个基于证据驱动的自我修正框架，通过动态检索客观视觉证据来验证初步直觉，从而打破幻觉循环。

技术框架：该框架包含三个主要模块：直觉模块负责生成初步判断，验证模块通过检索视觉证据进行验证，仲裁模块解决不同判断之间的冲突。

关键创新：Reflect-R1的关键创新在于引入了证据驱动的自我修正机制，并设计了阶段解耦的强化学习算法SD-GRPO，能够独立计算不同推理阶段的优势函数，解决了策略耦合问题。

关键设计：在关键设计上，本文构建了一个包含12万个样本的数据集，以弥补训练数据的不足，同时在损失函数和网络结构上进行了优化，以支持多阶段反思的有效执行。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在VideoMME和LongVideoBench等基准测试中，Reflect-R1实现了最先进的性能，显著提高了真实修正率，具体提升幅度超过了20%，展示了其在长视频理解中的有效性和可靠性。

🎯 应用场景

Reflect-R1的研究成果在长视频理解领域具有广泛的应用潜力，尤其在视频分析、自动摘要生成和内容检索等场景中，能够显著提高模型的自我修正能力和准确性。未来，该框架还可以扩展到其他多模态学习任务中，推动相关技术的发展。

📄 摘要（原文）

Current multimodal reflection mechanisms for long video understanding predominantly rely on closed-loop self-reflection within internal parameters. Lacking objective external evidence, models are frequently trapped in blind confidence and often fail to correct errors. Furthermore, applying reinforcement learning to multi-stage reflection pipelines introduces severe policy coupling, which is exacerbated by a critical scarcity of dedicated training data. To address these limitations, this work proposes Reflect-R1, the first Evidence-Driven self-correction framework for long video understanding. The framework constructs a three-stage pipeline consisting of intuition, verification, and arbitration. By dynamically retrieving objective visual evidence to verify initial intuitions and autonomously executing multiple temporal searches to resolve conflicts, it completely breaks the hallucination loop. To overcome policy coupling, we design a stage-decoupled reinforcement learning algorithm named SD-GRPO that independently computes advantage functions across different reasoning stages. Concurrently, we construct a dataset of 120K samples to bridge the training data gap. Extensive experiments on benchmarks such as VideoMME and LongVideoBench demonstrate that Reflect-R1 achieves state-of-the-art performance. Our method significantly improves the genuine rectification rate and enables authentic self-correction strictly grounded in objective evidence.