arXiv · AI· Junzhang Liu, Hao Yuan, Qi Zhang, Yiming Wu, Long Chen, Zhecan Wang·· 1 天前AI 评分26
LARVA框架：联合隐式推理与观察的视频智能体理解方法
Joint Latent Reasoning and Observation for Agentic Video Understanding
AI 导读
论文提出LARVA框架，通过联合学习隐式推理和视觉观察来蒸馏多轮视频智能体。该框架使用紧凑的连续表示替代文本描述，让观察者向推理器传递信息以指导下一步行动。 在VideoHolmes、Video-MME和LVBench三个基准上，基于7B模型的LARVA比同等文本CoT学生模型分别高出5.1、2.5和3.7个百分点。
来源：arXiv · AI · arxiv.org