VideoSeeker：通过原生智能体工具调用激励实例级视频理解

大型视觉语言模型在视频理解方面进展显著，但在需要精确时空定位的实例级任务中仍面临挑战。现有方法依赖文本提示，难以提供精准参考，且常将视觉感知与语言推理解耦。为此，本文提出 VideoSeeker，一种通过视觉提示进行实例级视频理解的新范式。该模型无缝集成智能体推理，能主动按需感知和检索视频片段。通过四阶段自动化数据合成及冷启动监督与强化学习训练，模型内化了工具调用与主动感知能力。实验表明，其在实例级任务上平均提升 13.7%，超越 GPT-4o 等闭源模型，并具备良好迁移性。