arXiv · AI· Yuchen Sun, Siyuan Cheng, Shi-Zhe Chen, Yixin Qin, Jinwen Luo, Zheng Wei·· 17 小时前AI 评分32
ForeSeek:面向长视频理解的远见驱动推理
ForeSeek: Foresight-Driven Reasoning for Long-Form Video Understanding
AI 导读
针对多模态大语言模型在长视频理解中缺乏全局时间规划的问题,ForeSeek 将被动检索转化为预测性探索。 该智能体通过形成视觉预期、定向验证及基于失败信号的有原则回溯来优化搜索,并结合两阶段训练框架提升 MLLM 的决策效率。 在五个基准测试中,ForeSeek 以比最强搜索智能体少 2.5–4.4 倍的帧数实现了具有竞争力或更优的准确率,提升了效率-准确性平衡。
来源:arXiv · AI · arxiv.org