先思考后验证：一种用于长视频理解的假设验证多智能体框架

长视频理解因视觉冗余密集、长程时间依赖及现有代理易产生语义漂移而极具挑战。本文主张推理应始于深思熟虑的任务构建，而非被动检索，提出“先思后找”原则。据此设计了 VideoHV-Agent 框架，将视频问答重构为结构化假设验证过程：Thinker 基于摘要将候选答案转化为可测假设，Judge 推导判别性线索，Verifier 利用细粒度内容验证线索，Answer 代理整合证据生成最终答案。实验表明该方法在三个基准上达到最先进水平，兼具高可解释性与低计算成本。