RACER：结合查询理解与工具检索的反思式 Agent，用于长视频理解中的帧选择

英文标题：RACER: Reflective Agent Coupling Query Interpretation and Tool-Based Retrieval for Frame Selection in Long Video Understanding

RACER 是一种面向长视频理解的反思式 Agent 框架，将查询理解与基于工具的检索结合起来，以完成关键帧选择。视频大语言模型（Vid-LLMs）通常依赖对选定帧的推理来完成各类视频—语言任务，但长视频中的相关帧往往分散在不同片段，检索难度较高。该工作旨在提升长视频场景下相关帧的定位与选择能力，对构建更高效、更可靠的视频 Agent 和视频检索系统具有意义。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB