以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Streaming video understanding requires models to repeatedly decide whether to respond or continue observing. Recently, Group Relative Policy Optimization (GRPO) has been applied to this setting, with existing approaches emphasizing reward design while retaining a single trajectory-level advantage across turns. Such sha
阅读原文 · Shuai Dong, Kanghui Tian, Linghan Chen, Wenqi Shao, Hongrui Wu, Haowen Hou, Yongfu Zhu, Xuehui Wang, Ziyue Wang, Wenpu Liu, Weichu Xie, Yuqi Xu, Congcong Wang, Kaiwen Tuo, Caoyuan Ma, Taiqiang Wu, Ji Zhao, Wenzheng Chang, Dianyi Wang, Siyuan Wang, Zhongyu Wei, Yu Qiao, Jiaqi Wang
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看的地方，在于它盯住了一个容易被忽略的细节：流式视频理解里，模型每一轮都要做一次决定，是开口回答还是继续观察。之前的做法把整条轨迹的奖励统一分配，等于用一把尺子量所有轮次。TurnWise 想做的事，就是把这把尺子拆到每一轮上。 如果你在做视频理解、多模态 Agent 或者 RL 训练，这篇的动机部分应该会让你有共鸣。它讨论的不是奖励怎么设计，而...