Long Video Understanding Agent Architecture Evidence Alignment Decoupled Planning
摘要

长视频问答需在冗余内容中定位稀疏视觉证据，现有代理常出现“证据错位”现象。本文揭示其根源在于耦合架构混淆了长程规划与答案权威性，并提出“规划器 - 检查器”解耦框架，将规划与答案生成分离，基于像素级验证 gating 最终回答。实验表明，该框架在多个基准上显著提升了答案准确性与证据对齐度，且支持模块化升级。

AI 推荐理由

论文提出解耦规划器与检查器框架，核心解决长视频理解中的长程规划与证据对齐问题。

研究机构
Mango TV, Changsha, China Nanyang Technological University, Singapore Correspondence to: Yechao Zhang Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026. Copyright 2026 by the author(s).
论文信息
作者 Chenhao Qiu, Yechao Zhang, Xin Luo, Shien Song, Xusheng Liu
发布日期 2026-05-12
arXiv ID 2605.12571
相关性评分 9/10 (高度相关)
arXiv 页面 下载 PDF Code DeepWiki