LongVideoAgent：多智能体推理与长视频

近期，多模态大语言模型及借助工具进行长视频问答的系统在小时级剧集推理方面展现出巨大潜力。然而，许多方法仍将内容压缩为有损摘要或依赖有限工具集，这削弱了时间定位能力并遗漏了细粒度线索。

我们提出一种多智能体框架：其中主控大语言模型负责协调一个定位代理以确定问题相关片段，以及一个视觉代理以提取目标文本化观测信息。

主控智能体在步数限制下进行规划，并通过强化学习训练以鼓励简洁、准确且高效的多智能体协作。该设计通过定位机制帮助主控智能体聚焦相关片段，以视觉细节补充字幕信息，并产生可解释的任务轨迹。

在我们从TVQA/TVQA+整合构建的剧集级数据集LongTVQA与LongTVQA+上，我们的多智能体系统显著优于强非智能体基线模型。实验同时表明，强化学习能进一步强化受训智能体的推理与规划能力。

原文链接：https://arxiv.org/html/2512.20618v1