视觉证据检索

Act2See：面向视频推理的涌现式主动视觉感知

Act2See: Emergent Active Visual Perception for Video Reasoning

把「取帧/生成帧」作为可学习的动作嵌入文本思维链，让 VLM 在推理过程中自主决定何时检索真实帧、何时合成反事实帧；这一「主动视觉感知」范式可直接迁移到需要多步视觉证据获取的视频问答与长视频理解任务。