Tag · 2 篇
视频智能体
01 02
VideoSeek：具备工具引导搜索能力的长时程视频智能体
VideoSeek: Long-Horizon Video Agent with Tool-Guided Seeking
把「视频逻辑流」当作主动搜索线索，用 think-act-observe 循环加多粒度工具按需取帧，替代对密集采样帧的穷举解析；做长视频 VQA 或视频推理时可直接复用这套按需取帧的智能体框架，在帧数大幅下降的同时保持甚至提升精度。
EVA：面向端到端视频智能体的高效强化学习框架
EVA: Efficient Reinforcement Learning for End-to-End Video Agent
把视频理解从「被动识别整段视频」改成「先规划再看」的智能体范式：用 SFT+KTO+GRPO 三阶段训练让 MLLM 自主决定看哪些帧、何时看，可直接复用到长视频问答与高效视频推理中。