ARGOS：智能体多摄像头人员搜索中的谁、何地与时机

本文提出 ARGOS，首个将多摄像头人员搜索重构为交互式推理问题的基准与框架。在该设定下，智能体需在信息不对称环境中，依据模糊证人陈述进行规划、提问并排除候选者。推理基于编码相机连接性与转移时间的时空拓扑图。基准涵盖三个渐进赛道：语义感知（谁）、空间推理（何地）和时间推理（何时）。实验表明现有模型远未解决该任务，且领域专用工具对性能至关重要。