OACap：基于字幕引导的主动观察实现详细视频字幕生成

提出观察自适应视频字幕生成器 OACap，该 Agent 通过时空工具获取证据并迭代修正字幕，在通用视频理解基准上稳定提升表现。 引入 FSCap-Bench 基准，结合核心事实性分数与跨模态语义往返分数，评估字幕在93.0%至98.3%的有效字幕对上的信息保留能力。