文章主要内容和创新点主要内容本文提出了一种名为ViTCoT（Video-Text Interleaved Chain-of-Thought，视频-文本交织思维链）的新型视频推理范式，旨在提升多模态大型语言模型（MLLMs）的视频理解能力。传统的思维链（CoT）推理方法主要依赖文本信息，忽略了视频中的视觉模态，而人类在推理时会自然回顾关键视觉内容。基于此，ViTCoT通过将关键视频帧与文本推理过程交织，模拟人类的直观推理方式。为支撑该范式，文章构建了ViTIB（Video-Text Interleaved Benchmark，视频-文本交织基准数据集）：通过MLLMs自动提取关键视频帧，再经人工严格验证（确保关键帧能支持正确推理），最终包含14类场景、1382个视频和5051个关键帧。实验结果显示，ViTCoT在多种MLLMs（如Qwen2.5-VL-7B、Gemini-2.0-Flash等）上的表现显著优于传统文本-only的CoT方法，平均提升3.5%-5.5%，且能激活模型中更多神经元，证明其能增强模型的深度推理能力。创新点提出ViTCoT范式：首次将关键视频帧与文本推理过程交织，模拟人类结合视觉信息推理的自然认知方式，突破传统文本-only推理的局限。构建ViTIB数据集：首个专注于视频-文本交织推理的基准，通过自动提取+人工验证确保关键帧质量，为相关研究提供标准化评估资源。