Vision-language 모델(VLM)이 긴 비디오 시퀀스에 대한 추론에 어려움을 겪는 문제를 해결하기 위해, ROVER(Reasoning Over VidEo Recursively) 프레임워크를 제안합니다. ROVER는 긴 비디오 궤적을 짧은 하위 작업에 해당하는 세그먼트로 재귀적으로 분해하여, 시간적으로 국한된 프레임 시퀀스에 대한 집중적이고 정확한 추론을 가능하게 합니다. OpenX Embodiment 비디오 및 RoboCasa에서 파생된 새로운 데이터 세트를 사용하여 ROVER를 평가하며, 작업 진행 추정, 프레임 수준 자연어 추론, 비디오 질의 응답의 세 가지 비디오 추론 작업에서 강력한 기반 모델보다 뛰어난 성능을 보입니다. ROVER는 모델이 각 타임스텝에서 추론하는 프레임 수를 줄여 환각을 완화하고, 하위 작업별 슬라이딩 컨텍스트 창을 구현하여 시간 복잡성을 비디오 길이에 따라 선형적으로 확장합니다.
