将视频搜索构建为树：用于接地长视频问答的自修正智能体

针对接地长视频问答中现有智能体缺乏细到粗回溯能力导致过早收敛的问题，本文提出 VideoTreeSearch (VTS) 框架。该方法将任务建模为自适应时间树上的迭代自修正搜索，利用视觉场景边界构建非均匀树，并训练智能体通过缩放、移位等离散操作进行导航。引入包含故意误入与恢复路径的合成轨迹进行监督微调及强化学习。实验表明，VTS 在多个基准测试中显著优于现有方法，证实了自修正分层搜索机制的有效性。