這項(xiàng)由北卡羅來(lái)納大學(xué)教堂山分校的王子洋、尹在弘、于守斌、Md Mohaiminul Islam、Gedas Bertasius和Mohit Bansal等人領(lǐng)導(dǎo)的研究發(fā)表于2025年7月的arXiv預(yù)印本平臺(tái)，有興趣深入了解的讀者可以通過(guò)https://sites.google.com/cs.unc.edu/videorts2025/訪問(wèn)完整論文。

你有沒(méi)有過(guò)這樣的體驗(yàn)：看一部懸疑電影時(shí)，剛開(kāi)始幾個(gè)鏡頭你可能看不懂發(fā)生了什么，但隨著劇情推進(jìn)，你會(huì)根據(jù)新出現(xiàn)的線索重新思考之前的情節(jié)，最終恍然大悟。如今，人工智能也學(xué)會(huì)了這種"邊看邊思考"的能力。

當(dāng)前的AI視頻理解就像一個(gè)死記硬背的學(xué)生，只會(huì)機(jī)械地回答"視頻里有什么"，但完全不懂推理。比如給它看一段視頻問(wèn)"這個(gè)人為什么要這樣做"，它往往答非所問(wèn)。更要命的是，訓(xùn)練這樣的AI需要海量數(shù)據(jù)和昂貴的計(jì)算資源，就像要教會(huì)一個(gè)學(xué)生理解電影情節(jié)，卻需要讓他死記硬背十萬(wàn)個(gè)電影片段的標(biāo)準(zhǔn)答案。

研究團(tuán)隊(duì)開(kāi)發(fā)的VIDEO-RTS系統(tǒng)就像給AI安裝了一個(gè)"智能大腦"，讓它能夠真正理解視頻內(nèi)容并進(jìn)行邏輯推理。更令人驚喜的是，這個(gè)系統(tǒng)只需要傳統(tǒng)方法3.6%的訓(xùn)練數(shù)據(jù)就能達(dá)到更好的效果，就像一個(gè)聰明的學(xué)生，不需要死記硬背就能舉一反三。

VIDEO-RTS的核心創(chuàng)新在于兩個(gè)方面：首先是"純強(qiáng)化學(xué)習(xí)訓(xùn)練"，完全跳過(guò)了傳統(tǒng)的"死記硬背"階段，直接讓AI在實(shí)踐中學(xué)會(huì)思考；其次是"稀疏到密集的測(cè)試時(shí)推理"，讓AI能夠根據(jù)問(wèn)題難度自動(dòng)調(diào)整分析深度，簡(jiǎn)單問(wèn)題快速回答，復(fù)雜問(wèn)題深入思考。

在五個(gè)主要的視頻推理測(cè)試中，VIDEO-RTS平均準(zhǔn)確率提升了2.4%，特別是在最具挑戰(zhàn)性的Video-Holmes推理測(cè)試中提升了4.2%。這意味著AI不僅能看懂視頻表面內(nèi)容，還能理解深層邏輯關(guān)系，真正做到了"舉一反三"。

一、傳統(tǒng)視頻AI的"死記硬背"困境

想象你正在教一個(gè)學(xué)生理解電影情節(jié)。傳統(tǒng)的方法就像讓學(xué)生死記硬背十萬(wàn)個(gè)電影片段的標(biāo)準(zhǔn)答案，然后希望他能在考試時(shí)給出正確回答。這種方法不僅效率低下，而且學(xué)生往往只會(huì)機(jī)械重復(fù)，完全不懂變通。

當(dāng)前的視頻AI訓(xùn)練正面臨著同樣的困境。以最新的Video-R1模型為例，它需要經(jīng)歷兩個(gè)階段的"死記硬背"：第一階段要學(xué)習(xí)16.5萬(wàn)個(gè)視頻推理樣本，每個(gè)樣本都配有詳細(xì)的"思考過(guò)程"標(biāo)注；第二階段還要再學(xué)習(xí)4千個(gè)額外樣本來(lái)強(qiáng)化推理能力。整個(gè)過(guò)程就像讓學(xué)生背誦20萬(wàn)道題的標(biāo)準(zhǔn)答案，希望他能在新題目面前舉一反三。

這種方法存在三個(gè)致命問(wèn)題。首先是數(shù)據(jù)收集成本高昂，就像要雇傭十萬(wàn)個(gè)老師為每道題寫(xiě)詳細(xì)解答過(guò)程，工作量極其龐大。其次是計(jì)算資源消耗驚人，訓(xùn)練一個(gè)模型需要數(shù)百個(gè)高端GPU連續(xù)工作數(shù)天，電費(fèi)都是天文數(shù)字。最后是效果提升有限，即使投入大量資源，AI的推理能力提升也很有限，就像死記硬背再多也無(wú)法培養(yǎng)真正的思維能力。

更令人沮喪的是，研究團(tuán)隊(duì)發(fā)現(xiàn)當(dāng)訓(xùn)練數(shù)據(jù)超過(guò)6千個(gè)樣本后，繼續(xù)增加數(shù)據(jù)幾乎不能帶來(lái)任何性能提升。這就像一個(gè)學(xué)生背到一定程度后，再多背幾萬(wàn)道題也不會(huì)讓理解能力有絲毫進(jìn)步，反而可能產(chǎn)生思維僵化。

正是在這樣的背景下，研究團(tuán)隊(duì)開(kāi)始思考：能否跳過(guò)"死記硬背"階段，直接讓AI在實(shí)踐中學(xué)會(huì)思考？這個(gè)想法聽(tīng)起來(lái)很瘋狂，但卻成就了VIDEO-RTS的核心創(chuàng)新。

二、VIDEO-RTS的"聰明學(xué)習(xí)法"

VIDEO-RTS的學(xué)習(xí)方法就像培養(yǎng)一個(gè)真正聰明的學(xué)生。它不需要背誦大量標(biāo)準(zhǔn)答案，而是通過(guò)"做中學(xué)"的方式培養(yǎng)推理能力。這種方法的核心思想是：與其讓AI死記硬背別人的思考過(guò)程，不如讓它自己學(xué)會(huì)思考。

這個(gè)系統(tǒng)的訓(xùn)練過(guò)程可以比作教一個(gè)孩子學(xué)騎自行車(chē)。傳統(tǒng)方法就像讓孩子先背誦十萬(wàn)條"如何保持平衡"的理論知識(shí)，然后才讓他上車(chē)練習(xí)。而VIDEO-RTS的方法則是直接讓孩子上車(chē)嘗試，摔倒了就知道哪里需要調(diào)整，成功了就知道這樣做是對(duì)的，通過(guò)不斷嘗試和反饋來(lái)掌握技能。

具體來(lái)說(shuō)，VIDEO-RTS使用了一種叫做"群組相對(duì)策略?xún)?yōu)化"的訓(xùn)練方法。這個(gè)名字聽(tīng)起來(lái)很復(fù)雜，但原理很簡(jiǎn)單：讓AI針對(duì)同一個(gè)問(wèn)題生成多個(gè)不同的回答，然后比較這些回答的好壞，好的回答得到獎(jiǎng)勵(lì)，差的回答受到懲罰。這就像讓學(xué)生做同一道題的多種解法，然后老師根據(jù)結(jié)果的正確性給出反饋，學(xué)生就能逐漸學(xué)會(huì)哪種思路更有效。

這種方法的巧妙之處在于，它只需要知道最終答案的對(duì)錯(cuò)，而不需要詳細(xì)的思考過(guò)程標(biāo)注。就像教孩子下棋，你不需要告訴他每一步的詳細(xì)思考邏輯，只要告訴他最后是贏了還是輸了，他就能逐漸摸索出有效的策略。

VIDEO-RTS的訓(xùn)練過(guò)程包含兩個(gè)關(guān)鍵組件。首先是"格式獎(jiǎng)勵(lì)"，它鼓勵(lì)A(yù)I在給出最終答案前先進(jìn)行思考。這就像要求學(xué)生在回答問(wèn)題前必須寫(xiě)出思考過(guò)程，養(yǎng)成深思熟慮的習(xí)慣。其次是"準(zhǔn)確性獎(jiǎng)勵(lì)"，根據(jù)最終答案的正確性給予反饋，確保思考過(guò)程能導(dǎo)向正確結(jié)果。

令人驚訝的是，這種方法只需要6千個(gè)訓(xùn)練樣本就能達(dá)到傳統(tǒng)方法用16.9萬(wàn)個(gè)樣本才能達(dá)到的效果。這就像一個(gè)聰明的學(xué)生，只需要做60道題就能掌握別人做1690道題才能掌握的知識(shí)點(diǎn)。這種效率提升不僅節(jié)省了大量的數(shù)據(jù)標(biāo)注成本，也大大減少了計(jì)算資源的消耗。

三、"稀疏到密集"的智能推理策略

VIDEO-RTS的另一個(gè)核心創(chuàng)新是它的"稀疏到密集"推理策略，這就像一個(gè)經(jīng)驗(yàn)豐富的偵探辦案：面對(duì)簡(jiǎn)單案件時(shí)快速瀏覽證據(jù)就能得出結(jié)論，遇到復(fù)雜案件時(shí)則會(huì)仔細(xì)分析每一個(gè)細(xì)節(jié)，直到找到真相。

傳統(tǒng)的視頻AI就像一個(gè)一根筋的偵探，無(wú)論案件簡(jiǎn)單還是復(fù)雜，都要把所有證據(jù)從頭到尾分析一遍，既浪費(fèi)時(shí)間又容易被無(wú)關(guān)信息干擾。而VIDEO-RTS則會(huì)根據(jù)問(wèn)題的復(fù)雜程度動(dòng)態(tài)調(diào)整分析深度。

這個(gè)策略的工作原理可以用看電影來(lái)類(lèi)比。當(dāng)你看一部簡(jiǎn)單的喜劇片時(shí)，可能只需要關(guān)注幾個(gè)關(guān)鍵鏡頭就能理解劇情；但如果是復(fù)雜的懸疑片，你就需要仔細(xì)觀察每一個(gè)細(xì)節(jié)，甚至反復(fù)回看某些片段。VIDEO-RTS正是模擬了這種人類(lèi)的觀影習(xí)慣。

具體的實(shí)現(xiàn)過(guò)程是這樣的：系統(tǒng)首先用少量關(guān)鍵幀分析視頻內(nèi)容，然后生成多個(gè)不同的推理過(guò)程。如果這些推理過(guò)程都得出了相同的結(jié)論，說(shuō)明當(dāng)前的信息已經(jīng)足夠做出準(zhǔn)確判斷，系統(tǒng)就會(huì)輸出最終答案。但如果不同的推理過(guò)程得出了不同的結(jié)論，說(shuō)明當(dāng)前信息不夠充分，系統(tǒng)就會(huì)自動(dòng)增加更多視頻幀進(jìn)行更深入的分析。

這個(gè)過(guò)程會(huì)一直重復(fù)，直到達(dá)成一致結(jié)論或用完所有可用的視頻信息。就像偵探辦案，如果初步調(diào)查的線索都指向同一個(gè)嫌疑人，案件就可以結(jié)案；如果線索相互矛盾，就需要收集更多證據(jù)深入調(diào)查。

這種自適應(yīng)的推理策略帶來(lái)了雙重好處。一方面提高了推理準(zhǔn)確性，因?yàn)橄到y(tǒng)會(huì)根據(jù)問(wèn)題難度自動(dòng)調(diào)整分析深度；另一方面提高了計(jì)算效率，因?yàn)楹?jiǎn)單問(wèn)題不需要?jiǎng)佑萌坑?jì)算資源。實(shí)驗(yàn)結(jié)果顯示，VIDEO-RTS在保持高準(zhǔn)確率的同時(shí)，平均只需要使用42.8到60.5幀視頻信息，遠(yuǎn)低于傳統(tǒng)方法的固定128幀需求。

這就像一個(gè)高效的圖書(shū)管理員，面對(duì)簡(jiǎn)單查詢(xún)時(shí)快速定位相關(guān)書(shū)籍，面對(duì)復(fù)雜研究請(qǐng)求時(shí)則會(huì)深入多個(gè)資料庫(kù)進(jìn)行全面搜索，既保證了服務(wù)質(zhì)量又提高了工作效率。

四、突破性實(shí)驗(yàn)結(jié)果驗(yàn)證

為了驗(yàn)證VIDEO-RTS的效果，研究團(tuán)隊(duì)在五個(gè)權(quán)威的視頻推理測(cè)試平臺(tái)上進(jìn)行了全面評(píng)估，結(jié)果令人震撼。這就像讓一個(gè)學(xué)生參加五門(mén)不同學(xué)科的考試，結(jié)果發(fā)現(xiàn)他在每門(mén)考試中都比傳統(tǒng)培養(yǎng)的學(xué)生表現(xiàn)更好。

最引人注目的是在Video-Holmes測(cè)試中的表現(xiàn)。這個(gè)測(cè)試被認(rèn)為是視頻推理領(lǐng)域最具挑戰(zhàn)性的評(píng)估標(biāo)準(zhǔn)，包含1837個(gè)來(lái)自270部懸疑短片的復(fù)雜推理問(wèn)題，就像讓AI參加最高難度的邏輯推理考試。VIDEO-RTS在這個(gè)測(cè)試中獲得了40.7%的準(zhǔn)確率，比之前最好的開(kāi)源模型高出4.2%，甚至能夠與GPT-4o和Gemini 1.5 Pro等頂級(jí)商業(yè)模型相媲美。

在專(zhuān)家級(jí)多學(xué)科視頻理解測(cè)試MMVU中，VIDEO-RTS同樣表現(xiàn)出色，準(zhǔn)確率達(dá)到66.4%，比使用169倍訓(xùn)練數(shù)據(jù)的Video-R1模型還要高出2.6%。這就像一個(gè)只學(xué)了100道題的學(xué)生，在考試中擊敗了學(xué)過(guò)16900道題的學(xué)生，展現(xiàn)了真正的理解能力而非死記硬背的功力。

更令人驚喜的是效率方面的提升。在長(zhǎng)視頻推理測(cè)試LongVideoBench中，VIDEO-RTS不僅準(zhǔn)確率提升了3.2%，同時(shí)平均只需要分析60.5幀視頻內(nèi)容，而傳統(tǒng)方法需要分析128幀。這意味著它用更少的信息獲得了更好的結(jié)果，就像一個(gè)高效的閱讀者，能夠快速抓住文章要點(diǎn)而不需要逐字逐句地閱讀。

研究團(tuán)隊(duì)還進(jìn)行了詳細(xì)的對(duì)比實(shí)驗(yàn)來(lái)驗(yàn)證各個(gè)組件的貢獻(xiàn)。他們發(fā)現(xiàn)，純強(qiáng)化學(xué)習(xí)訓(xùn)練方法相比傳統(tǒng)的監(jiān)督學(xué)習(xí)加強(qiáng)化學(xué)習(xí)組合，能夠用3.6%的數(shù)據(jù)量達(dá)到相同甚至更好的效果。而"稀疏到密集"推理策略相比其他測(cè)試時(shí)優(yōu)化方法，在MMVU和Video-MME測(cè)試中分別提升了2.0%和2.6%的準(zhǔn)確率。

更重要的是，這兩個(gè)核心技術(shù)不是簡(jiǎn)單相加，而是相互促進(jìn)。純強(qiáng)化學(xué)習(xí)訓(xùn)練讓AI學(xué)會(huì)了多樣化的推理策略，為"稀疏到密集"推理提供了豐富的思路來(lái)源；而自適應(yīng)推理策略則讓訓(xùn)練得到的推理能力得到了充分發(fā)揮。這種協(xié)同效應(yīng)讓VIDEO-RTS的整體性能實(shí)現(xiàn)了1+1>2的效果。

五、技術(shù)創(chuàng)新的深層意義

VIDEO-RTS的成功不僅僅是一個(gè)技術(shù)指標(biāo)的提升，更代表了AI視頻理解領(lǐng)域的一次范式轉(zhuǎn)變。這就像從死記硬背的應(yīng)試教育轉(zhuǎn)向培養(yǎng)創(chuàng)造性思維的素質(zhì)教育，是一次根本性的進(jìn)步。

傳統(tǒng)的視頻AI訓(xùn)練方式本質(zhì)上是一種"填鴨式"教育，大量投入人力物力來(lái)標(biāo)注訓(xùn)練數(shù)據(jù)，然后讓AI機(jī)械地學(xué)習(xí)這些標(biāo)準(zhǔn)答案。這種方式不僅成本高昂，而且培養(yǎng)出的AI缺乏真正的理解能力，面對(duì)新情況時(shí)往往束手無(wú)策。VIDEO-RTS則證明了"啟發(fā)式"教育的可行性：通過(guò)合理的獎(jiǎng)勵(lì)機(jī)制和自主探索，AI能夠自發(fā)地學(xué)會(huì)思考和推理。

這種轉(zhuǎn)變的意義遠(yuǎn)超技術(shù)層面。在實(shí)際應(yīng)用中，VIDEO-RTS這樣的系統(tǒng)可能會(huì)改變我們與視頻內(nèi)容交互的方式。比如在教育領(lǐng)域，它能夠理解復(fù)雜的教學(xué)視頻并回答學(xué)生的深層問(wèn)題；在安防領(lǐng)域，它能夠分析監(jiān)控錄像并推斷可疑行為的動(dòng)機(jī)；在娛樂(lè)領(lǐng)域，它能夠幫助觀眾理解復(fù)雜的影視作品情節(jié)。

從研究方法論的角度看，VIDEO-RTS的成功也為其他AI領(lǐng)域提供了重要啟示。它證明了"少即是多"的道理：與其盲目追求更大的數(shù)據(jù)集和更復(fù)雜的模型，不如專(zhuān)注于設(shè)計(jì)更聰明的學(xué)習(xí)算法。這種思路可能會(huì)影響整個(gè)AI研究的發(fā)展方向，推動(dòng)領(lǐng)域從"暴力美學(xué)"轉(zhuǎn)向"精巧設(shè)計(jì)"。

更深層次地看，VIDEO-RTS代表了AI向真正智能邁進(jìn)的一步。傳統(tǒng)的AI更像是一個(gè)高級(jí)的查找工具，能夠快速檢索和匹配已知信息，但缺乏真正的理解和推理能力。而VIDEO-RTS展現(xiàn)出的自適應(yīng)思考能力，讓我們看到了通用人工智能的一絲曙光。

當(dāng)然，這項(xiàng)研究也有其局限性。目前的系統(tǒng)仍然主要針對(duì)多選題形式的推理任務(wù)，對(duì)于開(kāi)放式問(wèn)題的處理能力還有待驗(yàn)證。同時(shí)，雖然大大提高了數(shù)據(jù)效率，但系統(tǒng)仍然需要高性能的計(jì)算硬件支持。不過(guò)，這些局限性并不能掩蓋VIDEO-RTS在推進(jìn)AI視頻理解能力方面的重要貢獻(xiàn)。

六、面向未來(lái)的思考

VIDEO-RTS的成功讓我們不禁思考：AI的未來(lái)會(huì)是什么樣子？這項(xiàng)研究為我們描繪了一個(gè)令人興奮的前景：AI不再是冷冰冰的計(jì)算工具，而是能夠真正理解世界、進(jìn)行邏輯推理的智能伙伴。

在不遠(yuǎn)的將來(lái)，我們可能會(huì)看到這樣的場(chǎng)景：你正在看一部復(fù)雜的科幻電影，對(duì)某個(gè)情節(jié)感到困惑時(shí)，只需要問(wèn)一句"為什么主角要這樣做"，AI助手就能結(jié)合前面的劇情發(fā)展給出深入的分析；你在學(xué)習(xí)歷史紀(jì)錄片時(shí)，AI能夠幫你理解復(fù)雜的歷史事件邏輯關(guān)系；你在分析商業(yè)案例視頻時(shí)，AI能夠協(xié)助你從多個(gè)角度解讀企業(yè)決策的深層原因。

從技術(shù)發(fā)展的角度看，VIDEO-RTS開(kāi)創(chuàng)的"純強(qiáng)化學(xué)習(xí)"和"自適應(yīng)推理"范式可能會(huì)推廣到更多AI應(yīng)用領(lǐng)域。我們可能會(huì)看到類(lèi)似的方法被應(yīng)用到文本理解、圖像分析、語(yǔ)音識(shí)別等各個(gè)方面，讓AI在各個(gè)領(lǐng)域都獲得更強(qiáng)的推理能力。

更宏觀地看，這種技術(shù)進(jìn)步可能會(huì)重塑我們對(duì)教育和學(xué)習(xí)的理解。如果AI能夠通過(guò)如此高效的方式學(xué)會(huì)復(fù)雜的推理，那么人類(lèi)的教育方式是否也應(yīng)該相應(yīng)調(diào)整？我們是否應(yīng)該更多地培養(yǎng)創(chuàng)造性思維和批判性思考，而不是死記硬背的應(yīng)試能力？

當(dāng)然，技術(shù)進(jìn)步也帶來(lái)了新的挑戰(zhàn)和思考。隨著AI推理能力的增強(qiáng)，我們需要更加關(guān)注AI系統(tǒng)的可解釋性和可控性。VIDEO-RTS雖然展現(xiàn)了強(qiáng)大的推理能力，但其內(nèi)部決策過(guò)程仍然是一個(gè)"黑盒"。如何確保AI的推理過(guò)程符合人類(lèi)的價(jià)值觀和道德標(biāo)準(zhǔn)，將成為未來(lái)研究的重要方向。

此外，隨著AI視頻理解能力的提升，相關(guān)的隱私和安全問(wèn)題也需要重視。強(qiáng)大的視頻分析能力可能會(huì)被濫用于監(jiān)控和追蹤，如何在享受技術(shù)便利的同時(shí)保護(hù)個(gè)人隱私，需要技術(shù)開(kāi)發(fā)者、政策制定者和社會(huì)各界的共同努力。

說(shuō)到底，VIDEO-RTS的意義不僅在于它取得的技術(shù)突破，更在于它為我們打開(kāi)了一扇窗戶(hù)，讓我們看到了AI真正智能化的可能性。這項(xiàng)研究告訴我們，通過(guò)巧妙的設(shè)計(jì)和創(chuàng)新的思路，我們能夠用更少的資源獲得更好的效果，讓AI真正學(xué)會(huì)"思考"而不僅僅是"記憶"。

對(duì)于普通人來(lái)說(shuō)，這意味著AI技術(shù)將變得更加實(shí)用和貼近生活。我們不再需要等待技術(shù)巨頭投入天文數(shù)字的資源來(lái)訓(xùn)練AI模型，更多的研究團(tuán)隊(duì)和初創(chuàng)公司都有可能開(kāi)發(fā)出實(shí)用的AI應(yīng)用。這種技術(shù)的民主化可能會(huì)加速AI在各個(gè)領(lǐng)域的普及和應(yīng)用。

歸根結(jié)底，VIDEO-RTS代表的不僅是技術(shù)的進(jìn)步，更是人類(lèi)對(duì)智能本質(zhì)理解的深化。它提醒我們，真正的智能不在于記住多少信息，而在于能否靈活運(yùn)用這些信息進(jìn)行推理和思考。這個(gè)道理不僅適用于AI，對(duì)人類(lèi)自身的學(xué)習(xí)和成長(zhǎng)同樣具有啟發(fā)意義。有興趣深入了解這項(xiàng)研究的讀者，可以訪問(wèn)研究團(tuán)隊(duì)提供的詳細(xì)資料和代碼，相信會(huì)有更多精彩的發(fā)現(xiàn)等待著我們。

Q&A

Q1：VIDEO-RTS是什么？它比傳統(tǒng)方法強(qiáng)在哪里？ A：VIDEO-RTS是UNC開(kāi)發(fā)的AI視頻推理系統(tǒng)，它最大的優(yōu)勢(shì)是只需要傳統(tǒng)方法3.6%的訓(xùn)練數(shù)據(jù)就能達(dá)到更好效果。就像一個(gè)聰明學(xué)生只需要做60道題就能掌握別人做1690道題才學(xué)會(huì)的知識(shí)，大大提高了學(xué)習(xí)效率。

Q2：這個(gè)技術(shù)會(huì)不會(huì)很快普及到我們的日常生活中？ A：很有可能。由于VIDEO-RTS大大降低了訓(xùn)練成本，更多公司有能力開(kāi)發(fā)類(lèi)似應(yīng)用。未來(lái)可能出現(xiàn)在視頻教學(xué)助手、智能監(jiān)控分析、影視內(nèi)容理解等場(chǎng)景中，讓AI真正能夠"看懂"和"理解"視頻內(nèi)容。

Q3：VIDEO-RTS的"稀疏到密集"推理是怎么工作的？ A：這就像一個(gè)聰明的偵探辦案：簡(jiǎn)單案件快速瀏覽線索就能破案，復(fù)雜案件則仔細(xì)分析每個(gè)細(xì)節(jié)。系統(tǒng)先用少量關(guān)鍵幀分析，如果多次推理結(jié)果一致就給出答案，如果結(jié)果矛盾就增加更多視頻幀深入分析，直到達(dá)成一致結(jié)論。