أظهرت الدراسات الحديثة أن إجبار نماذج اللغة الكبيرة (LLMs) على إنتاج سلسلة من التفكير باللغة الطبيعية قبل الإجابة على طلب المستخدم يمكن أن يُحسّن بشكل كبير أداؤها عبر مختلف المهام. وقد تم توسيع هذا النهج ليشمل النماذج متعددة الوسائط، حيث تُنتج النماذج سلسلة من التفكير (CoT) حول محتوى الصور والفيديوهات المدخلة. في هذا العمل، نقترح الحصول على نماذج لغة فيديو (Video LLMs) تكون خطوات تفكيرها مبنية على الإطارات المرئية ذات الصلة، وتشير صراحةً إلى هذه الإطارات. ولتحقيق ذلك، نقوم أولاً بإنشاء مجموعة بيانات تُسمى CoF-Data، وهي مجموعة بيانات كبيرة ومتنوعة تتضمن أسئلة وأجوبة وسلسلة تفكير مبنية على الإطارات المرئية، تتعلق بكل من الفيديوهات الطبيعية والصناعية، وتغطي مواضيع ومهام متنوعة. ثم نُعدّل النماذج الحالية للفيديو LLMs باستخدام هذه البيانات المبنية على سلسلة الإطارات (CoF). ويتميز نهجنا بالبساطة والانفصال الذاتي، ولا يتطلب، على عكس النماذج الحالية لسلسلة التفكير في الفيديو، استخدام شبكات مساعدة لاختيار أو وصف الإطارات ذات الصلة. ونُظهر أن نماذجنا القائمة على CoF قادرة على إنتاج سلسلة تفكير دقيقة تشير إلى الإطارات الأساسية الضرورية للإجابة على السؤال المطروح. ونتيجة لذلك، تُحسّن الأداء بشكل ملحوظ في العديد من معايير فهم الفيديو، حيث تتفوّق على النماذج الرائدة في مجال لغة الفيديو على معايير مثل Video-MME وMVBench وVSI-Bench، وتقلل بشكل ملحوظ من معدل التصوّر الخاطئ (hallucination). الكود متاح عبر الرابط التالي: [هذا الرابط] (this http URL).