研究人员开发了Video-o3，一个旨在通过迭代式发现相关视觉线索和细粒度检查关键片段来提高长视频理解能力的新框架。该系统通过使用任务解耦注意力掩码（Task-Decoupled Attention Masking）来分离推理和工具调用，同时保留全局上下文，从而解决了多模态模型在工具调用方面面临的挑战。为了管理上下文长度并提高效率，它采用了可验证轨迹引导奖励（Verifiable Trajectory-Guided Reward）机制。该框架得到了一个数据合成管道的支持，该管道创建了Seeker-173K，一个包含173,000个工具交互轨迹的数据集，在MLVU和Video-Holmes等基准测试中取得了显著的性能提升。 AI
影响 引入了一个新颖的长视频理解框架，有望提高AI处理和推理海量视频内容的能力。
排序理由 该集群描述了一篇关于新颖视频理解框架的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →