LAVE：面向视频工具调用智能体的潜在视觉证据增强规划

英文标题：LAVE: Latent Visual Evidence-Enhanced Planning for Video Tool-use Agents

该论文提出 LAVE（Latent Visual Evidence-Enhanced Planning），旨在提升视频工具调用智能体对长视频的理解与规划能力。研究关注长视频中稀疏但关键的视觉证据，以及视频流冗长、重复带来的处理效率问题。论文指出，现有视频工具调用智能体通常通过在不同时间尺度上迭代调用视觉工具来应对这一挑战。该工作对需要从长视频中检索、复用视觉信息并执行多步骤任务的 Agent 具有参考意义。

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