Tag · 3 篇
智能体推理
分布 视觉语言模型2生成模型与扩散1
01 02 03
VideoARM：面向长视频理解的分层记忆智能体推理
VideoARM: Agentic Reasoning over Hierarchical Memory for Long-Form Video Understanding
提出一种无需穷举预处理的自适应智能体推理框架，通过控制器调用工具进行由粗到细的视频解析，并维护分层多模态记忆，为长视频理解中的高效多模态大模型推理提供了可复用的记忆构建与工具调度机制。
基于光照的视频生成：以渲染器为支撑的智能体推理
Lighting-grounded Video Generation with Renderer-based Agent Reasoning
把布局、光照、相机轨迹等显式3D场景属性通过渲染器转成控制信号，再用轻量条件模块注入视频扩散模型，为可控视频生成提供了可复用的解耦条件注入范式；其场景智能体把高层指令翻译成3D控制信号的思路也可迁移到其他条件生成任务。
LensWalk：通过规划视频观看方式实现智能体式视频理解
LensWalk: Agentic Video Understanding by Planning How You See in Videos
把「看哪里、看多密」变成智能体可调的工具参数，视觉研究者可借鉴这种按需采样+工具编排的推理范式，用于长视频问答与证据定位，无需微调即可插拔到现有 VLM 配方上。