面向高效长视频推理的多智能体感知 - 行动联盟

本文提出了一种名为 A4VL 的多智能体感知 - 行动探索联盟，旨在实现高效的长视频推理。该系统通过多轮感知与行动探索循环运作：在感知阶段，智能体提取特定查询线索并定位相关视频片段；在行动阶段，智能体生成初始答案，通过交叉评审与相关性排序进行协作评分，并根据共识情况决定是剪枝重组开启新一轮推演，还是输出最终结论。实验表明，A4VL 在五个主流视频问答基准上优于现有方法，同时显著降低了推理延迟。