#英伟达开源长视频推理神器##单台A100也能训长视频模型# 只用一台A100（8GPU），就能提升大模型对长视频理解能力？ 英伟达、MIT、港大等机构，提出长视频推理训练框架LongVILA-R1，把强化学习（RL）扩展到了小时级视频。 该框架专为“长视频推理”设计，能处理1小时（3600帧）视频，支持输入画面、字幕、声音一起分析，视频中的来龙去脉、发生了什么事，都能理清。 该研究有三大创新： - 新型数据集LongVideo-Reason：包含5.2万组问答样本，覆盖剧情、时序、空间、目标等四类复杂推理，数据来自1.8万段视频片段，由大模型辅助生成和标注。 - 两阶段训练流程：先用链式思维微调（CoT-SFT）进行基础学习，再接入GRPO策略强化训练，让模型在更具挑战性的样本中持续优化推理策略。 - 优化的训练系统MR-SP：支持最长3600帧（约1小时）的视频输入，在8张A100显卡上完成训练不爆显存，还带来2.1倍训练加速。 实测结果也很亮眼，这个模型在多个视频推理测试里成绩最好，甚至超过了GPT-4o，在空间推理上还追平了Gemini-1.5-Pro。 而且，它在足球、扑克、星际争霸这类复杂场景下的表现，展现出强大的跨时间和叙事建模能力。 目前代码与模型已开源，官方表示这一框架未来可应用于机器人、教育、医疗、AR/VR等领域，成为长时任务中的“大脑中枢”。 感兴趣的小伙伴可以点击：huggingface.co/papers/2507.07966 GitHub：github.com/NVlabs/Long-RL
