LensWalk：通过规划观看方式实现代理式视频理解

针对视频密集时序特性带来的分析挑战，现有方法因推理与感知脱节而受限。本文提出 LensWalk，一种灵活的代理框架，使大语言模型能主动控制视觉观测。该框架建立紧密的“推理 - 规划 - 观察”循环，代理动态指定每一步的时间范围和采样密度，利用基于视觉语言模型的工具集进行广域扫描、局部事实提取及多时刻证据整合。无需微调，该方法在 LVBench 等长视频基准上显著提升准确率超 5%，证明主动规划观测是解锁精准视频推理的关键。