SleuthVLM

SleuthVLM研究表明，在视频理解方面，智能体推理优于音频

一篇新的研究论文介绍了一个名为SleuthVLM的视频理解智能体框架，该框架绕过了直接的音频处理。SleuthVLM将语音转录为文本，并使用视觉语言模型独立分析视频内容。这种方法在长视频基准测试中表现出色，优于Gemini 3.8 Flash等模型，并在Video-MME-v2排行榜上取得了最高分。研究结果表明，对于全视频理解，智能体推理能力比直接音频输入更关键。