近期研究表明，在回应用户请求之前，引导大型语言模型（LLMs）以自然语言生成推理过程，能够显著提升其在各类任务中的表现。这一方法已被拓展至多模态大语言模型，使模型能够对输入图像和视频内容生成链式思维（Chain-of-Thought, CoT）推理。在本工作中，我们提出构建一种视频大语言模型，其推理步骤基于并明确指向相关视频帧。为此，我们首先构建了CoF-Data——一个大规模、多样化的数据集，包含针对自然视频与合成视频的各类问题、答案，以及与具体视频帧相对应的推理过程。该数据集覆盖广泛的主题与任务。随后，我们在这一帧级链式推理（Chain-of-frames, CoF）数据上对现有视频大语言模型进行微调。我们的方法简单且自洽，与现有视频CoT方法不同，无需依赖额外的网络来选择或描述相关帧。实验表明，基于CoF的模型能够生成准确引用关键帧的链式推理，从而在多个视频理解基准测试中实现性能提升，例如在Video-MME、MVBench和VSI-Bench上超越当前领先的视频大语言模型，并显著降低幻觉率。代码已公开，可访问此链接：https://...。