VideoAuto-R1: адаптивное рассуждение через двойной ответ

CoT для большинства видео-задач — это overthinking: модель тратит 386 токенов вместо 18, генерирует в 40 раз больше текста, а точность падает на −2.1%. VideoAuto-R1 позволяет модели самой решать, когда нужно рассуждение, а когда — прямой ответ, экономя токены без потери точности. Модель обучают давать два ответа: быстрый первый + проверенный второй после рассуждения. На инференсе модель выдаёт первый ответ, оценивает уверенность (среднюю вероятность токенов), и если уверенность высокая — останавливается. Если низкая — продолжает генерацию CoT. Активация CoT упала с ~85% до 25% на перцептивных задачах, средняя длина ответа — с 149 до 44 токенов.