Reviso: 视频字幕生成中并非所有视觉证据都值得同等关注

Reviso 是一个智能视频字幕框架，通过分层观察计划主动筛选关键视觉信息，在四个字幕评测基准上超越开源基线，生成的字幕更支持下游视频问答任务。该框架采用 Group Relative Policy Optimization 训练，结合关键事实奖励和计划对齐奖励优化字幕质量。