CVPR 2026 Day 2 补录 · P1 · 2026-06-07

VideoSSR：它和通用视觉自监督的关系在于：用视频内生 pretext tasks 构造 RLVR 训练数据，对 video MLLM 的自监督后训练有直接参考

中高相关；详见方法、贡献和实验边界。

VideoSSR: Video Self-Supervised Reinforcement Learning　arXiv + CVPR 2026 Day 2 补录　原文链接

编号2511.06281 优先级P1 类别CVPR 2026 Day 2 补录会议arXiv + CVPR 2026 Day 2 补录方法用视频内生 pretext tasks 构造 RLVR 训练数据，对 video MLLM 的自监督后训练有直接参考来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：用视频内生 pretext tasks 构造 RLVR 训练数据，对 video MLLM 的自监督后训练有直接参考。中高相关；详见方法、贡献和实验边界。

**Figureure 2 · Performance comparison on four video tasks**Figure 2. Performance comparison on four video tasks. Input frames for VideoSSR and Qwen3-VL-8B do not exceed 64.这张图/表用于判断 VideoSSR 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**Figureure 1 · Distribution of answer correctness on ReWatch and LongVideoReason**Figure 1. Distribution of answer correctness on ReWatch and LongVideoReason. Across both models and datasets, a vast majority of questions yield a bimodal outcome, resulting in either zero or eight correct answers. This zero variance issue is notably more pronounced for the more powerful Qwen3-VL model.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 VideoSSR 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：用视频内生 pretext tasks 构造 RLVR 训练数据，对 video MLLM 的自监督后训练有直接参考。

方法拆解

用视频内生 pretext tasks 构造 RLVR 训练数据，对 video MLLM 的自监督后训练有直接参考

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。