SVAgent：基于跨模态多智能体协作的故事线引导长视频理解

视频问答（VideoQA）需整合时空与语义信息以捕捉视频动态。现有方法多依赖定位关键帧，缺乏人类般基于演变故事线的推理能力。为此，本文提出 SVAgent，一种故事线引导的跨模态多智能体框架。其中，故事线智能体结合优化建议智能体对历史失败的分析，逐步构建叙事表征；跨模态决策智能体在故事线引导下独立预测答案；元智能体则评估并对齐多模态输出，增强推理鲁棒性与一致性。实验表明，该方法通过模拟人类故事线推理，显著提升了性能与可解释性。