Незакрываемая амплитация коротких отрубов в Video RLVR с помощью лены патологической неопределённости

arXiv:2610.37211v1 Тип уведомления: новое резюме: усиление обучения с поддающимися проверке наградами (RLVR) стало эффективной парадигмой после подготовки кадров для расширения возможностей видеологии крупных мультимодальных моделей (MMS). Несмотря на свою эмпирическую эффективность, мы показываем, что оптимизация результатов может привнести нежелательный эффект ускорения, когда модели все больше отдают предпочтение текстовым ответам даже в тех случаях, когда они не подкрепляются визуальными свидетельствами. Чтобы охарактеризовать это поведение, мы исследуем динамику обучения видео RLVR через объектив неопределенности восприятия, анализируя как прогнозируемая неопределённость развивается в контексте видеообусловленных и только текстовых контекстов. Наш анализ выявляет явление краха восприятия неопределенности, в котором обучение RL постоянно ускоряет распределение ответов модели при постепенном снижении степени неопределенности из-за визуальных данных. Дальнейший анализ направления градиентов показывает, что такая уверенность