VidHarness：面向高性价比长视频理解的演进式 Agent Harness

英文标题：VidHarness: Evolving Agent Harnesses for Cost-Efficient Long Video Understanding

VidHarness 关注如何让视觉语言模型（VLM）以更低成本理解长达数小时的视频。其核心观察是，尽管模型需要回答关于长视频的问题，相关证据通常只分布在其中数秒的片段内，因此逐帧处理视频成本过高。该工作将视频 Agent 视为围绕模型构建的 harness 程序，并探索其演进方式以提升长视频检索与理解的效率。对于开发者而言，这类方法有望降低长视频问答、视频检索和自动化分析应用的推理成本。

2.1 KB 461 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB