Swindl/JevVideo_checkpoints

JevVideo checkpoints

各次训练的最终模型和 Video-MME 成绩，整理于 2026-11-02。分数都是百分比，每档 900 题，括号里是和同一次训练的均匀采帧基线逐题配对的差，CI 是按视频 bootstrap 的 95% 置信区间。

Video-MME 成绩

训练	答题帧 / 模型	short	medium	long
32帧旧run	16 均匀 + 16 细节	—	64.22（+1.89，CI -1.11～+4.89）	53.56（-1.89，CI -4.78～+1.11）
32帧新run	16 均匀 + 16 细节	—	64.78（+2.56，CI -0.33～+5.44）	53.44（-2.11，CI -5.22～+1.00）
128帧正式	32 均匀 + 96 细节	—	68.11（-0.22，CI -2.67～+2.33）	55.56（-2.22，CI -4.67～+0.22）
128帧正式	96 均匀 + 32 细节（只改答题帧，没有重训）	—	69.78（+1.56，CI -0.44～+3.56）	58.00（+0.11，CI -2.22～+2.33）
长短混合（旧代码）	16 均匀 + 16 细节	75.33（+0.22，CI -2.11～+2.56）	66.33（+4.00，CI +1.22～+6.78）	55.11（-0.44，CI -3.22～+2.44）
长短混合（旧代码）	16 均匀 + 16 细节，1 轮 DAgger 后的模型（没有重训）	—	65.78（+3.44，CI +0.78～+6.11）	54.11（-1.44，CI -4.56～+1.67）
长短混合（旧代码）	24 均匀 + 8 细节（只改答题帧，没有重训）	—	68.00（+5.67，CI +3.00～+8.22）	55.67（+0.11，CI -2.78～+2.78）
32帧长短混合（新代码）	16 均匀 + 16 细节	75.56（+0.44，CI -1.89～+3.00）	64.44（+2.11，CI -0.67～+4.89）	53.56（-2.22，CI -5.22～+0.78）
32帧长短混合（新代码）	24 均匀 + 8 细节（只改答题帧，没有重训）	—	67.44（+5.11，CI +2.44～+7.67）	53.33（-2.44，CI -5.33～+0.33）
128帧32+96长短混合（新代码）	32 均匀 + 96 细节	74.89（-0.22，CI -2.56～+2.22）	66.33（-2.00，CI -4.67～+0.67）	57.56（-0.22，CI -2.89～+2.33）
32帧VideoITG多段	16 均匀 + 16 细节	75.67（+0.56，CI -1.78～+2.89）	64.00（+1.67，CI -1.22～+4.56）	54.11（-1.56，CI -4.56～+1.33）
32帧VideoITG筛B	16 均匀 + 16 细节	75.89（+0.78，CI -1.44～+3.00）	64.89（+2.56，CI -0.33～+5.33）	53.00（-2.56，CI -5.44～+0.33）
32帧VideoITG筛B	24 均匀 + 8 细节（只改答题帧，没有重训）	—	67.44（+5.11，CI +2.33～+7.67）	53.33（-2.22，CI -4.78～+0.44）
32帧VideoITG筛B单段	16 均匀 + 16 细节	76.11（+1.00，CI -1.33～+3.33）	64.44（+2.11，CI -0.67～+4.78）	53.89（-1.67，CI -4.44～+1.22）

• "答题帧 / 模型"一列说的是 medium 和 long 两档。short 档所有训练都用短视频配置：8 均匀 + 8 细节，共 16 帧。
• 32帧旧run 这一行是它的 SFT 最终模型，在它的 RL 评测（rl2、rl3）里顺带测的，两次分数相同，这里只列 rl3。RL 模型的成绩和检查点没有放。

均匀采帧基线（帧数和同一次训练的 medium、long 相同）：

训练	short	medium	long
32帧旧run	—	62.33	55.44
32帧新run	—	62.22	55.56
128帧正式	—	68.33	57.78
长短混合（旧代码）	75.11	62.33	55.56
32帧长短混合（新代码）	75.11	62.33	55.78
128帧32+96长短混合（新代码）	75.11	68.33	57.78
32帧VideoITG多段	75.11	62.33	55.67
32帧VideoITG筛B	75.11	62.33	55.56
32帧VideoITG筛B单段	75.11	62.33	55.56

完整数字在 videomme_summary.json，每次训练的配对结果和逐题结果在各自的 videomme/ 下。

训练和最终检查点

训练	文件夹（RUN_ID）	训练数据	DAgger 轮数	controller / grounding / verifier 选中的步
32帧旧run	onejev_a1008_v4	只有 CG-Bench	2	400 / 995 / 2318
32帧新run	onejev_sft_videomme_pad3_v1	CG-Bench + LV-Haystack	2	400 / 1300 / 900
128帧正式	onejev_sft_videomme_pad3_v1_f128	CG-Bench + LV-Haystack，128 帧	2	200 / 1400 / 800
长短混合（旧代码）	onejev_sft_videomme_mix_v1	长视频 + 短视频（QVHighlights、LLaVA-Video），VTS v1	2	400 / 600 / 600
32帧长短混合（新代码）	onejev_sft_videomme_mix_mseg_v1	长视频 + 短视频，多段证据代码	2	200 / 1800 / 2800
128帧32+96长短混合（新代码）	onejev_sft_videomme_mix_mseg_v1_f128	长视频 + 短视频，多段证据代码，128 帧	2	600 / 1000 / 600
32帧VideoITG多段	onejev_sft_videomme_vitg20k_v1	长视频（VTS v4）+ VideoITG 1,180 题（2 万题初筛，第 1～4 步，多段）	1	1000 / 1669 / 4000
32帧VideoITG筛B	onejev_sft_videomme_vitgb_v1	长视频（VTS v4）+ VideoITG 21,934 题（全部 train，第 1～3 步，多段）	1	3000 / 7000 / 1000
32帧VideoITG筛B单段	onejev_sft_videomme_vitgbs_v1	长视频（VTS v4）+ VideoITG 19,992 题（全部 train，第 1～3 步，单段）	2	2000 / 5000 / 3000

每个文件夹里有什么

路径	内容
policy_set.json	最终策略集：controller、localize、frame、verifier 各用哪个检查点。localize 和 frame 是同一个 grounding 模型
checkpoints/controller、checkpoints/grounding、checkpoints/verifier	选中的快照：trainable.pt（LoRA 和各个 head 的权重，基座模型见 base_model.json）、trainer.pt、COMPLETE
config/	实际配置 *_frames.yaml、实验记录 *_experiment.json、各轮策略集 *_ps3_r*.json（里面是训练节点上的原始路径）
sft/<阶段>/	各 SFT 阶段的 metrics.jsonl（含 dev 评测）、best_snapshot.txt、early_stopped.json
videomme/	*_comparison_*.json 是和均匀帧的配对比较；*_sft/results.jsonl 是逐题结果（动作序列、选中的帧、答案）；*_uniform/b0_results.jsonl 是均匀帧基线

长短混合另有 policy_set_r1.json 和 checkpoints/controller_r1，对应表中"1 轮 DAgger"那一行。

没有放的

视频、特征缓存和 SFT 训练数据没有放（一次训练就有 2 TB 以上），各阶段的中间快照和 RL 检查点也没有放，它们都还在 Blob t-xinyangliu/outputs/jev/<RUN_ID>/ 下。