Symphony：一种受认知启发的用于长视频理解的多智能体系统

尽管多模态大语言模型（MLLM）智能体发展迅速，但在处理高信息密度和长时间跨度的长视频理解任务时仍面临挑战。现有方法简单的任务分解与协作机制不足以应对长链推理，而基于嵌入的检索可能丢失关键信息。本文提出 Symphony，一种受人类认知模式启发的多智能体系统。该系统将长视频任务分解为细粒度子任务，并引入由反思增强的深度推理协作机制，显著提升推理能力。此外，Symphony 提供基于视觉语言模型的定位方法，有效分析任务并评估视频片段相关性，增强了针对隐含意图和大时间跨度复杂问题的定位能力。实验表明，该系统在多个基准测试中达到最先进水平。