Tag · 6 篇

多智能体协作

Visual Document Understanding and Reasoning: A Multi-Agent Collaboration Framework with Agent-Wise Adaptive Test-Time Scaling

把视觉文档理解拆成规划、执行、判断、回答四个智能体并做智能体级自适应测试时扩展，为 VLM 在复杂多步推理场景下提供了一种可复用的「程序化扩展」替代单体模型堆参数的思路。

VULCAN: Tool-Augmented Multi Agents for Iterative 3D Object Arrangement

把 MLLM 的 3D 操作能力从脆弱的原始代码生成转为函数级 API 调用，并引入视觉工具构成感知反馈闭环，为视觉研究者提供了一条「用工具调用弥补 MLLM 3D 视觉定位短板」的可复用范式。

Tackling Model Bias via Game-theoretic Multi-agent Collaboration Framework for Hateful Meme Classification

把多个 LMM 当作博弈参与者，用个体准确率与跨模型一致性构成的混合奖励引导它们收敛到合作均衡，这一思路可直接迁移到任何需要多模态模型集成或投票的视觉-语言任务（如 VQA、多模态事实性判别），用来缓解单个模型的认知偏差。

SVAgent: Storyline-guided Long Video Understanding via Cross-Modal Multi-Agent Collaboration

把「故事线」作为可迭代演化的中间表示，配合跨模态决策智能体与元智能体做答案对齐，为长视频问答提供了一种无需额外训练、可插拔的多智能体推理框架，可直接迁移到长视频理解与时序推理任务。

Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation

把 RVOS 拆成由 MLLM 驱动的多智能体逐步推理流程，用 Questioner-Responder 反思链校验中间结果并回灌下一轮推理，配合由粗到细的帧选择与动态视觉焦点布局；这套无需微调即可接入新 MLLM 的推理框架，可直接迁移到视频问答、时序定位等需要跨帧证据聚合的视觉-语言任务。

A Multi-Agent Perception-Action Alliance for Efficient Long Video Reasoning

提出一种多智能体感知-动作探索框架，通过线索引导的块对齐和跨审查机制，高效处理长视频推理，可复用于视频问答和长视频理解任务。