面向多视频理解的技能增强智能体框架与基准

多模态大语言模型在单视频理解表现优异，但在多视频推理上仍受限。现有方法常将多视频拼接输入，导致训练推理不匹配及信息丢失，且缺乏显式跨视频协调。针对此问题，本文提出 MVX-Bench 基准，涵盖 1442 个问题与 4255 个视频，重构了 11 类经典视觉任务。同时提出 SAMA 框架，通过集成视觉工具、特定任务技能及冲突感知验证机制，实现迭代结构化推理。实验表明，SAMA 在 MVX-Bench 上优于开源基线与 GPT，消融实验验证了技能设计与冲突解决的有效性。